Esa ventaja lleva rato agrietándose, despacio y sin ruido. Lo que cambió es que dejó de ser conversación de tecnólogos y empezó a aparecer en los planes de los más grandes. En su conferencia de este año, Google mostró hacia dónde quiere llevar la búsqueda: menos caja donde escribir, y más agentes que arman la respuesta, y hasta pequeñas apps al vuelo, según lo que preguntes. Ojo, no es que ya lo haya hecho: hoy sigues viendo la cajita. Es la dirección que mostró Google. Microsoft, por su lado, presentó Solara, dispositivos pensados para correr agentes en vez de apps. Y Amazon habilitó en su plataforma de agentes que estos generen su propia interfaz al vuelo. Tres de los grandes empujando hacia el mismo lado.

Pongámonos de acuerdo en qué está pasando, sin dramatizar. Las pantallas no van a desaparecer, y en Latinoamérica menos todavía. Lo que asoma, por primera vez, es una alternativa creíble a entrar: un agente que hace la tarea y arma la interfaz que necesita, en el momento en que la necesita, sin pedirte que abras nada. La pantalla deja de tener el monopolio. Y para mover el poder de lugar, con eso basta.

Cuando publiqué el primero post de este newsletter, escribí que la interfaz había cambiado para siempre: durante medio siglo tuvimos que aprender el idioma del computador, comandos, menús, botones, y de golpe se dio vuelta, y la máquina aprendió el nuestro. Le hablamos en lenguaje natural y nos entiende. Esa es la última interfaz: no hay una más natural que tu propia lengua. Lo de ahora es el capítulo siguiente de esa misma historia. Si el lenguaje es la interfaz, el software deja de ser un lugar al que vas: le dices al agente lo que necesitas y él actúa, y arma la pantalla solo si hace falta. La app, el menú, el portal, esa capa que durante décadas fue el lugar, empieza a volverse opcional. Y eso, aunque suene técnico, mueve el poder de lado.

El peaje invisible

Piensa en cómo capturas valor hoy, sea cual sea tu industria. Tienes un lugar al que tu cliente llega: una app, una sucursal digital, un portal, un checkout, un WhatsApp de ventas. Ese lugar es tu peaje. Ahí ves lo que hace, le muestras lo que quieres, le vuelves a vender, mides todo. El negocio no vive solo en el producto. Vive de controlar la puerta por la que el cliente pasa.

Ese peaje funcionó durante años porque no había alternativa. Si querías tu saldo, entrabas al banco. Si querías comparar precios, abrías tres apps. El costo de entrar lo pagaba el usuario, y ese costo era, en el fondo, parte de tu ventaja.

El agente que arma su propia interfaz cambia la ecuación. El usuario ya no entra a tu lugar: le pide a su agente que resuelva la tarea, y el agente va, busca, compara y ejecuta por detrás. Tu app puede seguir existiendo, pero deja de ser donde ocurre la decisión. Y cuando dejas de ser el lugar donde ocurre la decisión, pierdes lo que valía más que el producto: el control de la relación. La marca, la venta cruzada, la data de comportamiento, todo eso dependía de que el cliente entrara. Si deja de entrar, se te escapa hacia el agente.

El punto incómodo, para cualquiera que tenga clientes, es este. La pregunta ya no es si tu app es buena. Es si tu negocio sigue valiendo cuando el cliente no la abre nunca más, cuando entre tú y él se para un agente que elige por él. Si la respuesta es sí, tranquilo. Si la respuesta es “depende de que entren”, tienes un problema que no se arregla con una pantalla más linda.

Latinoamérica ya vive en la conversación

Acá hay una vuelta que en el norte no ven y que a nosotros nos toca de cerca. Buena parte del comercio de la región ya dejó de vivir en apps: vive en una conversación. Para millones de negocios, WhatsApp es la vitrina, el catálogo, el checkout y el soporte, todo en una ventana de chat. No es un decir: WhatsApp llega a más del 85% de los usuarios de internet en Brasil y México, y Meta ya cuenta más de 200 millones de cuentas de WhatsApp Business en el mundo. Nos saltamos, en gran medida, la era del “bájate mi app”. El cliente nunca entró a un lugar. Te escribió.

Eso nos deja en una posición rara, y hasta ventajosa. El mundo que asoma, donde le hablas a un agente y él resuelve, es menos ajeno para una pyme chilena o mexicana que para una empresa gringa acostumbrada a que el cliente descargue, se registre y navegue. Nosotros ya vendemos conversando. El músculo existe.

Pero el riesgo es el de siempre, con otra ropa. Esa conversación no es tuya. WhatsApp es de Meta, y el agente que va a mediar entre tu cliente y tú va a ser de Google, de OpenAI, de Amazon o de cualquier otra empresa que are ese producto. Hoy, cuando un cliente te escribe, hay una línea directa entre los dos. Cuando en el medio se pare un agente que filtra, compara y decide, esa línea se corta, y el que quede dueño de la conversación se queda con la relación. Pasamos de que el cliente entrara a tu app, a que ni siquiera te escriba: le pregunta a su agente, y el agente decide si tú existes.

La defensa no es pelear contra eso. Es tener lo que el agente no puede replicar: saber de tu cliente y de tu barrio lo que ningún modelo gringo sabe. El almacenero que conoce a su gente, el vendedor que sabe qué reponer antes de que se lo pidan. Esa data y esa relación son locales, y son el moat cuando la interfaz deja de ser tuya.

La defensa: construir para el agente, no contra él

Si la interfaz se muda al agente, la respuesta no es aferrarse a la app. Es prepararse para un mundo donde el cliente llega a través de una máquina que decide por él. Tres movidas concretas, y ninguna es ciencia ficción.

Primera: hazte legible para el agente. Durante veinte años optimizamos todo para que Google nos encontrara. Ahora empieza a importar que te encuentre y te entienda un agente. Eso significa exponer tu oferta, tus precios, tu inventario, tus condiciones, en datos que una máquina pueda leer, no enterrados en una app o en un PDF que el agente no sabe abrir. El que sea ilegible para el agente, no va a existir para el agente.

Segunda: sé dueño de tu relación y de tu data. Si tu vínculo con el cliente vive prestado en una plataforma ajena, el día que el agente se meta al medio te quedas sin nada. Guarda lo que sabes de tu cliente en algo que sea tuyo, no solo en el WhatsApp de Meta o en el marketplace de turno. Esa data es la que te mantiene en la conversación cuando la interfaz ya no es tuya.

Tercera: dale al agente una razón para elegirte. Un agente que compara mil opciones premia lo que es genuinamente distinto: un producto que no se sustituye fácil, un servicio con data o experiencia que nadie más tiene, una relación que el cliente pide por su nombre. Si eres intercambiable, el agente te va a tratar como intercambiable. Si eres irremplazable, te va a tener que recomendar. Ahí vuelve el moat de siempre, ahora frente a una máquina.

Nada de esto es para mañana. Pero es de la clase de cosas que se construyen de a poco, y el que empiece antes va a llegar parado cuando el resto recién esté entendiendo qué pasó.

La última interfaz

La interfaz no va a desaparecer. Se va a mudar: del lugar al que ibas, al agente que va por ti. Y la pelea de los próximos años no es tener la app más linda. Es no quedar del otro lado de esa mudanza, convertido en un proveedor que el agente menciona a veces, en vez de la relación que el cliente eligió. Cuando abrí este newsletter dije que el lenguaje se había vuelto la última interfaz, la más natural, la que no necesita que aprendas nada. Lo que estamos viendo ahora es la consecuencia: si le hablas a un agente y él resuelve, entre tú y tu cliente ya no hay una pantalla, hay alguien decidiendo. Y la pregunta que de verdad importa es de quién va a ser ese alguien.

Llevamos dos años en la región preguntándonos cómo vamos a competir en IA si no tenemos los modelos. Es la pregunta equivocada, hecha sobre la capa equivocada. Lo terminé de entender leyendo un ensayo de NFX esta semana, cruzándolo con algo que vengo diciendo hace rato.

La cuarta revolución también corre sobre fierro

Cada revolución industrial fue, en el fondo, lo mismo: una tecnología de quiebre montada sobre una base física. El vapor, desde 1760, movió las fábricas, pero corría sobre carbón y fierro. La electricidad, desde 1870, lo cambió todo, pero necesitó cobre y una red para llegar al enchufe. La computación, desde fines de los 60, reorganizó el mundo, pero se paró sobre silicio. La cuarta, la de la inteligencia, no es distinta. Parece que vive en la nube, pero corre sobre fierro: los chips y los data centers que hay que construir, el cobre que los conecta, y la energía y el agua que los alimentan y los enfrían.

Hasta ahora la IA ha sido una revolución de bits: software, pantallas, respuestas en una conversación. Para cambiar el mundo de verdad necesita átomos: energía que la alimente, máquinas que actúen, materiales para construirse. Y ahí, en los átomos, es donde se está trabando. Es la idea central del ensayo de NFX: la inteligencia ya la tenemos, pero está atrapada porque le falta lo físico que la sostiene. Una revolución de verdad necesita tres cosas juntas, poder, inteligencia y acción. Hoy sobra la del medio y faltan las otras dos.

Eso reordena dónde está el negocio. El modelo, esa capa del medio donde están OpenAI, Google y Anthropic, es justo donde el resto de nosotros no tiene cómo ganar: o no puedes competir con esos gigantes, o lo que armas encima se vuelve reemplazable. El valor se está moviendo a los bordes. Y el borde de abajo, el de los átomos, es el que tenemos más cerca y peor aprovechado.

Las dos orillas del modelo de IA

Hace un año escribí sobre el nuevo stack de la IA, siguiendo a Andrew Ng. La idea es simple: la IA se construye por capas. Abajo los semiconductores, después la nube, después los modelos, después la orquestación de agentes, y arriba las aplicaciones, donde la IA se topa con un problema real. Mi conclusión entonces fue que la oportunidad para la mayoría estaba arriba, en las aplicaciones, porque ahí gana el que conoce el problema, no el que tiene el modelo más grande.

Lo sigo pensando, y el ensayo de NFX me completó la otra mitad del mapa. Si una gran oportunidad está arriba, en las aplicaciones, la otra está abajo de la capa del modelo de IA: en la energía, las máquinas y los materiales que la hacen funcionar. Las dos orillas de esa capa.

¿Por qué las orillas y no el medio? Por una razón precisa. El modelo de frontera, el mejor del mundo en cada momento, es una ventaja enorme, y se la queda quien lo tiene: un puñado de gigantes con miles de millones para quemar. Competir ahí, para el resto de nosotros, es perder. Y todo lo que está por debajo de la frontera se vuelve commodity: modelos buenos, baratos e intercambiables que arriendas por token, hoy a uno y mañana a otro. O sea, el medio del stack o es un moat ajeno que nunca vas a tener, o es un commodity que cualquiera arrienda. En ninguno de los dos hay ventaja para ti.

Las orillas son otra cosa. Se construyen sobre algo que no se arrienda: data propietaria del mundo real. Arriba, el que entiende un problema específico y tiene los datos de cómo se resuelve. Abajo, el que controla la energía, el proceso físico, el material. En el medio no hay moat. En las orillas sí.

Por eso “átomos, no bits” no significa olvidarse del software. Significa dejar de pelear en la capa donde no tienes ventaja y pararte donde sí controlas algo que nadie te puede quitar. Y para Latinoamérica, las dos orillas están más a mano de lo que creemos.

El norte está corto justo donde el sur está largo

Volvamos a NFX, porque su lamento es nuestra oportunidad. El ensayo está escrito desde Estados Unidos, y lo que dice en el fondo es que les falta lo físico. Tienen los modelos, pero les falta energía para alimentarlos, manos robóticas para actuar y materiales para construir todo. Su llamado es a los emprendedores del norte: reconstruyan la base industrial.

Ahora mira el mapa desde acá. Lo que al norte le falta es justo lo que el sur tiene enterrado. Energía: el desierto de Atacama tiene la mejor radiación solar del planeta, y la cordillera, geotermia de sobra. Materiales: Chile y Perú son el corazón del cobre del mundo, y el triángulo del litio, entre Chile, Argentina y Bolivia, concentra la mayor reserva conocida. Tierra y agua donde poner data centers. Y una base minera y agrícola enorme donde la acción física todavía está por automatizar.

Esto no es una nota al pie del boom de la IA. Es su combustible. La demanda de cobre podría crecer 72% al 2050, empujada en buena parte por los data centers y la red eléctrica que la IA necesita. Y los hiperescaladores planean gastar cerca de US$700 mil millones solo en 2026 en esa infraestructura.

Y antes de pensar que esto se desinfla cuando los modelos se vuelvan más eficientes, ojo con la paradoja de Jevons: cuando una tecnología se abarata, no la usamos menos, la usamos más. Cuando DeepSeek mostró que se podía entrenar un modelo por una fracción del costo, Meta no recortó nada: subió su inversión un 50% el mismo trimestre. La eficiencia no apaga la demanda de átomos. La multiplica.

Y hay una capa más, la geopolítica, que lo vuelve urgente. Esto no es solo una carrera de empresas: es Estados Unidos contra China. En lo físico, China va adelante. Procesa cerca del 90% de las tierras raras del mundo e instala más de la mitad de los robots industriales del planeta, más que Japón, Estados Unidos, Corea y Alemania juntos. Estados Unidos tiene los modelos de frontera, pero depende de China en los materiales y la ve adelantarse en robótica, justo las dos piezas físicas que hacen falta para bajar la inteligencia al mundo real. Por eso sale a buscar energía y minerales fuera de China. Y ahí Latinoamérica deja de ser un proveedor más: pasa a ser una carta estratégica.

La trampa: vender la roca otra vez

La lectura fácil de todo esto es la de siempre: “tenemos cobre, litio y sol, vendámosle todo eso a la IA”. Y sí, lo vamos a vender. Pero si eso es todo lo que hacemos, ya sabemos cómo termina, porque la película la hemos visto.

Latinoamérica lleva dos siglos siendo el patio de materias primas del mundo. Chile vivió del salitre, que llegó a pagar casi la mitad del presupuesto del país, hasta que en Alemania inventaron el nitrato sintético y el negocio se desplomó. Brasil tuvo el monopolio del caucho, hasta que un inglés se llevó las semillas y las plantaciones de Asia hundieron el precio. En los dos casos pusimos la materia prima; el negocio, la tecnología y la utilidad de largo plazo se los quedó otro. Esa película la conocemos de memoria.

La revolución de la IA nos trae la misma tentación, pero más grande. Los hiperescaladores van a venir a comprar nuestra energía y nuestro cobre, y a arrendar nuestra tierra para sus data centers. El capex se queda en el norte. El valor también. Y nosotros, otra vez, despachando la roca y aplaudiendo la inversión extranjera como si fuera el premio.

Esa es la trampa. Y no se esquiva poniéndole impuestos a la exportación ni cerrándose al mundo. Se esquiva haciendo algo distinto con los mismos átomos. Esa es la jugada.

La jugada: el moat que no se exporta

¿Qué es hacer algo distinto con los mismos átomos? NFX lo dice en una línea que vale el ensayo entero: reconstruir la industria vieja con el ADN de una empresa de tecnología, verticalmente integrada. No vender el cobre crudo, sino convertir la operación que lo produce en una empresa de software que, además, tiene una mina.

Un ejemplo concreto, y del mismo mineral que nos define. Freeport-McMoRan, la mayor productora de cobre del mundo, le metió IA a su proceso de lixiviación y sacó 214 millones de libras de cobre adicionales en 2024, recuperando metal de material que antes botaba como desecho, sin abrir una sola mina nueva. ¿De dónde salió esa ventaja? No del modelo de IA, que cualquiera arrienda. Salió de décadas de datos sobre su propio mineral, su propia agua, su propio clima. Datos que ningún competidor, ni ninguna startup de San Francisco, puede comprar ni replicar.

Esa es la clave, y es la que cambia el juego para nosotros. El moat no es la roca. Es la data y el proceso que la rodean, y eso es local, específico e intransferible. Codelco, la minera de cobre más grande del planeta, está justo en esa pelea: firmó una alianza con Microsoft para meterle IA y analítica a su operación. La pregunta de fondo no es si vamos a tener la IA. Es si la dueña de la data va a ser la empresa de la región, o el proveedor que se la presta.

Y esto no es solo minería. Es el mismo principio en la otra orilla, la de las aplicaciones. En Yom construimos tecnología para el comercio de barrio, ese laberinto de almacenes que ningún modelo gringo entiende porque no tiene la data de cómo funciona. Ese conocimiento del problema es el moat. Da lo mismo si es una mina de cobre o un almacén de esquina: el valor está en lo que sabes de tu mundo y nadie más tiene.

Esa es la jugada. No competir en el modelo. No vender la roca. Construir, sobre nuestros átomos y nuestros problemas, las empresas que envuelven esos átomos en datos y proceso. Esa es la capa que no se exporta.

Lo que esto cambia para ti

Si diriges una empresa de la región en una industria física, como energía o minería, o como el agro y la logística, donde la IA recién está empezando a poner manos y máquinas, dejaste de ser espectador de esta revolución. Estás sentado sobre el insumo que el mundo va a pelearse y sobre la data que lo hace valioso. Tu trabajo de los próximos años no es esperar a que llegue un proveedor con la solución. Es convertir esa data en producto antes de que alguien te la arriende de vuelta, empaquetada.

Si estás emprendiendo, esto te abre una cancha que en San Francisco no existe. Vengo diciendo que emprender es la única alternativa para capturar esta ola, y acá está el dónde: no en clonar la app gringa de turno, sino en las dos orillas que tenemos a mano. Arriba, el problema local que conoces mejor que nadie. Abajo, no solo el átomo enterrado, sino las máquinas y los procesos que lo extraen, lo mueven y lo cultivan, con la particularidad de nuestra minería, nuestro agro y nuestra logística, que ningún robot genérico entiende.

Y hay una ventana, porque esto no va a quedar abierto para siempre. La demanda física de la IA recién está despegando, los hiperescaladores recién salen a comprar energía y materiales, y la data de nuestras operaciones todavía es nuestra. En unos años, o capturamos la capa, o se la entregamos, como entregamos el salitre y el caucho. La diferencia es que esta vez conocemos el final de la película antes de que empiece.

No tenemos modelos de frontera, es verdad, y probablemente nunca los vamos a tener. Da lo mismo: esos se los queda el norte, y para construir sobre tu problema no los necesitas. Los modelos que sí vas a usar son commodity. Lo valioso es lo que tú tienes y no se exporta: tus átomos, tu data, tu problema. Átomos, no bits. La revolución de la IA no se va a ganar entera en un data center de Texas. Una parte se juega acá, en el suelo, y por primera vez nos toca jugar de local.

Partimos de un lugar inesperado para una conversación sobre inteligencia artificial: la encíclica que el Papa León XIV acaba de publicar, Magnifica Humanitas, que plantea la urgencia de custodiar la dignidad de la persona frente a esta revolución.

Esto es la versión corta. Abajo está el mapa de la conversación, y cada tema enlaza al minuto exacto del video.

¿Estamos construyendo la Torre de Babel? (4:40)

El Papa abre con dos historias. Babel: la humanidad habla un solo idioma y levanta una torre “que llegue al cielo” para hacerse un nombre. No para un bien común, sino para alzarse. Y mientras más alta, más se pierde el sentido de lo que se está construyendo. Nehemías: Jerusalén en ruinas, y un pueblo que reconstruye el muro por tramos, cada familia el pedazo frente a su casa, juntos, con la persona en el centro.

¿Cuál de los dos caminos estamos tomando? Mi lectura es que los laboratorios están en la dimensión de la torre, cada uno en su propia aventura. Musk dice que la misión es entender el universo y extender la luz de la conciencia hasta las estrellas. Altman quiere “una AGI en el bolsillo de cada persona”. Amodei habla de “un país de genios en un data center”, y es el único que pide bajar un poco el ritmo, de manera verificable, para que estos modelos no terminen en malas manos. Aventuras distintas, pero todas hacia arriba.

Lo que me quedó dando vueltas fue la frase que escribí para la conversación: el Papa no le tiene miedo a la torre. Le tiene miedo a que la construyamos en un solo idioma, el de la eficiencia, ese donde la persona deja de ser persona y se vuelve un dato en un dashboard.

Y ese idioma no lo eligen solo los laboratorios. Lo hablamos todos, cada vez que una empresa decide que ser más eficiente significa, antes que nada, necesitar menos gente. Ahí, en esa decisión tan cotidiana, empieza la conversación sobre el trabajo.

Si tu trabajo es tu identidad, el problema no es económico (19:00)

Gonzalo me hizo la pregunta de frente: ¿puede el ser humano vivir en un mundo donde trabajar deje de ser necesario?

Hay una trampa en cómo nos criaron. Nos formaron pegados al trabajo y al logro. Entonces, cuando tu identidad es lo que haces, el planteamiento se vuelve brutal: si mi vida es mi trabajo, el día que me quedo sin trabajo me quedo sin vida. Y ese miedo, más que el de la plata, es el que está debajo de toda la discusión sobre IA y empleo.

Yo difiero de esa mirada. La vida es mucho más que el trabajo, y somos lo que somos, no lo que producimos. Gary Zukav lo escribió hace décadas en El Asiento del Alma: tu identidad no es tu cargo. Federico Sánchez lo dice de otra forma que se me quedó grabada: vamos a tener que enfrentar el temor al vacío y atrevernos a desarrollar el proyecto humano, eso que tenemos botado porque la mayoría de las horas del día se nos van trabajando.

Te lo pongo en mi caso. Me levanto temprano los fines de semana a estudiar, a leer, a meterle mano a la inteligencia artificial, a crear. No por plata. Me estimula, me hace mejor persona. Si algún día una máquina hace lo que hoy hago para ganarme la vida, perfecto. Lo que me importa es moverme hacia eso que me hace bien, en vez de seguir arrastrado por el sistema que ya tenemos armado.

Ahí aparece la pregunta difícil, la que doy vueltas con Gonzalo en el video: si la máquina puede producir casi todo, ¿de qué vivimos?

Y entonces, ¿quién paga? (49:30)

La conversación se pone incómoda de verdad en este tramo, y la gente lo notó: es lo que más se discutió en los comentarios del reel que publicó Gonzalo en Instagram.

El punto es una paradoja que ya escribí una vez, la del CEO eficiente. Si soy CEO de una empresa de bebidas y le meto agentes y robots, bajo mi costo, subo mi margen y mi acción sube. Tú, que preservaste a tu equipo, quedas con menos margen y con presión para hacer lo mismo, así que terminas optimizando también. Y cuando todos optimizamos al mismo tiempo, recortamos a la misma gente que compra nuestros productos. ¿A quién le vendemos después? El comentario más votado del reel lo dijo mejor que yo: “tan disruptivo que nadie va a tener plata para gastar en sus nuevos modelos de negocio”.

Después de grabar escuché a Marc Andreessen en el podcast de Joe Rogan plantear el reverso, y me dejó pensando. Su tesis: la natalidad cae y la población envejece. Para sostener el sistema, incluidas las pensiones de los que dejan de trabajar, hay tres salidas: subir la natalidad, que va de bajada; traer migrantes, cada vez más difícil; o que la IA haga el trabajo. Si es la IA, no estaría destruyendo empleo, estaría llenando un hueco que igual se venía. Los trabajadores humanos, dice, van a estar a premio, no a descuento.

Las dos cosas pueden ser ciertas a la vez, y por eso el debate está tan bueno. Lo que ninguna resuelve es lo de fondo: aunque la máquina produzca la abundancia, ¿cómo generamos para vivir? La salida fácil del ingreso universal no me convence. Si dependo de que alguien me pase la plata, el día que me porte mal y me la corten, me controla. Cambiaríamos el sistema de hoy por uno peor.

No tengo la respuesta cerrada. En el video la doy vueltas con Gonzalo, y honestamente, invito a que me la discutan.

La suerte que nos compra tiempo (y por qué es menos del que crees) (57:00)

Hay una buena noticia escondida en todo esto, y se llama cuello de botella.

Chad Jones, profesor de Stanford, lo explica simple: una empresa avanza tan rápido como su cuello de botella más cercano. Automatizas las ventas y listo, ahora un agente le vende a diez mil clientes. Pero atrás la producción no se actualizó, la bodega no da abasto, y no puedes despachar. La ola de la IA es transversal y brutal, pero choca contra mil frenos humanos y físicos que no se mueven a su velocidad. Esos frenos, paradójicamente, son los que nos dan aire para adaptarnos.

Ese aire es menos del que tuvimos nunca. En las revoluciones anteriores, el tren, la electricidad, el computador, pasaban décadas entre que la tecnología aparecía y cambiaba el trabajo, tiempo de sobra para que la gente se reacomodara. Esta es distinta. En menos de un año, el 75% del código de una empresa como Anthropic ya lo escribe la propia IA, que además se mejora a sí misma cada vez más rápido. Como le dije a Gonzalo: lo que me preocupa no es la ola. Es que llegue de un día para otro y nos pille sin habernos puesto ni el traje de baño.

Hay un costo que casi nadie nombra con honestidad. No es desempleo, es precarización. Waymo, los taxis sin conductor que ya circulan por varias ciudades de Estados Unidos, son la señal de lo que viene: me subí a uno y quedé loco. Cuando eso llegue a los camiones, el camionero no se reconvierte en ingeniero de la NASA. Mi hija, que está en la universidad y vive metida en los modelos, quizás. El camionero de cincuenta años, no tiene como.

Para mí esto no está en discusión. Capaz que a Latinoamérica le llegue en varios años, y puede ser. Pero va a llegar. Y el día que llegue, el camionero y el taxista no van a sufrir solo porque pierden el sueldo. Van a sufrir porque les enseñamos que ellos son su trabajo. Ese es el modelo que está mal, y es el que tenemos que empezar a cambiar antes de que llegue la ola.

Tu jugada: no seas tú el cuello de botella (1:14:00)

Toda esta conversación puede sonar a futuro lejano. No lo es. Hay algo que puedes hacer hoy, y no pasa por esperar.

La brecha ya no es de acceso. El modelo está en el bolsillo de todos y cuesta poco o nada. La brecha es de coraje y de cultura: atreverse a usarlo. Te lo pongo con la persona que más me sorprendió este año, que es mi hija. Tiene 19, está en segundo año de ingeniería comercial, no sabe escribir una línea de código, y me construyó el sistema de onboarding de la empresa con Claude. Cuando lo vi funcionando me corrían las lágrimas. Ella no pensó en la limitación técnica: se centró en el cliente, entrevistó, y lo construyó. Hoy estamos armando un ecosistema de agentes de soporte a los empleados de Yom a partir de eso.

Esa es la jugada, y tiene nombre: la llamo E², eficiencia por expansión. Primero te haces más eficiente tú. Si te pasas el día leyendo correos, usa la herramienta para leerlos en la mitad del tiempo. Con esas horas que te quedan libres, aprende a usarla mejor, lleva esa eficiencia a tu equipo, y de ahí expándete: haz cosas que antes no podías, y al final cambia lo que hace tu empresa. La milla extra ya no es trabajar más horas ni sobarle el lomo al jefe. Es esto.

Lo que le insistí a Gonzalo es esto: el cuello de botella de tu empresa va a ser su estructura, su cultura, sus procesos. Deja que ese freno sea de la organización, y ayúdala a soltarlo. Lo que no puedes permitir es ser tú el cuello de botella, el que no quiso adaptarse en lo único que sí estaba en sus manos.

Y no te lo digo desde la tribuna. En Yom hago agentes que, de una manera u otra, reemplazan vendedores. Vivo esa paradoja todos los días y es incómoda. La administro lo mejor que puedo, pero no me hago el tonto: es real, y es difícil.

Cómo educamos para todo esto (y por qué lo estoy construyendo) (1:22:00)

Todo lo anterior tiene una raíz, y es cómo nos educan. El sistema escolar que tenemos lo diseñó Rockefeller hace muchos años: necesitaba gente preparada para trabajar en sus fábricas y armó una escuela para producirla. Funcionó durante un siglo porque había un trato. Estudiabas, te empleabas, subías en la escala jerárquica y ganabas más dinero. Ese trato se está rompiendo.

Si lo que se vuelve barato y abundante es la inteligencia, enseñar a memorizar y a contestar preguntas es entrenar a los niños para lo único que la máquina ya hace mejor. Lo que hay que enseñar es lo otro: a preguntar, a discernir, a tener criterio, ética y agencia. A no quedarse esperando que aparezca el empleo, sino a saber construirse uno.

Acá está la parte que me tiene ilusionado. La IA es la tecnología más inclusiva que hemos inventado, porque no terceriza la inteligencia, la pone al alcance de todos. Antes, el que accedía a la mejor educación se quedaba con la ventaja. Ahora la ventaja está en saber dirigir esa inteligencia, y eso se le puede enseñar a cualquiera. Si le enseñamos a todos, y no a unos pocos, la carta del Papa tiene de verdad una posibilidad de cumplirse.

Eso es lo que estoy intentando construir con un grupo de personas que tiene la misma inquietud. Se llama Arquímedes, un programa para enseñarles esto a los jóvenes, y lo estamos intentando pilotear este año, si es que la burocracia que controla nuestro sistema educativo nos deja. El nombre viene de la frase que lo resume todo: dame un punto de apoyo y moveré el mundo. La palanca, hoy, es esta. Lo que falta es enseñar a usarla.

Esto es la versión corta. La conversación entera dura casi dos horas, y arriba dejé los saltos a cada tema. También pasamos por cosas que no entraron acá: la guerra que se deshumaniza, la carrera entre Estados Unidos y China, y un cuento de niños sobre por qué competimos por lo que nos hace daño.

Y queda la pregunta del Papa, que es la que de verdad importa. ¿Babel o Nehemías? ¿La torre que nos separa, o el muro que construimos juntos? Mira la conversación completa y elige de qué lado vas a construir.

Todos vimos el piloto que funcionó. El agente respondió el reclamo, el informe salió solo, y la cuenta de fin de mes fue una fracción de lo que costaba hacerlo a mano. Sobre esa cuenta se aprobó el presupuesto y se prometió el retorno. El problema es que esa cuenta describe un laboratorio en condiciones perfectas, no tu operación corriendo a escala todos los días.

La semana pasada te dejé incómodo a propósito. El argumento fue simple: los IPOs de OpenAI y Anthropic no son la validación que celebró la prensa, sino el aviso de que la inteligencia que tu empresa consume todos los días viene subsidiada, y los subsidios tienen fecha de vencimiento. Prometí pasarte un método para saber si tu caso de negocio sigue en pie cuando ese subsidio se acabe. Acá está. No es teoría: lo corres esta semana, con tu equipo, sobre tu proyecto de IA más importante, y sales con una respuesta binaria. El proyecto es viable por sí solo, o estaba parado sobre una rebaja que no controlas.

Empecemos por la métrica equivocada, porque es la que te metió en este problema. Cuando evalúas un proyecto de IA, lo primero que te muestran es el precio por token o por consulta: fracciones de centavo que caen mes a mes. El AI Index de Stanford documentó que ese número cayó más de 280 veces en dos años. Es cierto. Y es la cifra más inútil que vas a mirar.

Inútil porque tu negocio no compra tokens. Compra tareas terminadas: un reclamo resuelto, un pedido procesado, un informe entregado. Entre “una consulta al modelo” y “una tarea terminada” hay un abismo, y ese abismo es justo lo que el precio por token no ve. Por eso el método entero se para sobre una sola unidad: el costo por tarea completada (CPT). Es la única cifra que conecta lo que gastas en IA con lo que produces, y la única que sigue significando algo cuando el proveedor cambie su lista de precios el próximo trimestre.

De ahí el nombre de lo que vamos a hacer: el Test del Costo por Tarea. Tres pasos para calcularlo bien, estresarlo y encontrar el número que deberías tener pegado al monitor: el precio al que tu caso de negocio deja de devolver plata. Tu punto de quiebre. No necesitas adivinar qué van a hacer los precios de la IA. Necesitas saber a qué precio tu caso se cae, y eso lo puedes calcular hoy, en una tarde.

Paso 1: calcula tu CPT real, no el de la demo

El error que mató más casos de negocio de IA que cualquier alza de precios es este: confundir una llamada al modelo con una tarea terminada. En la era del chat eran casi lo mismo. Hacías una pregunta, el modelo respondía, una llamada. Hoy no. Un agente que resuelve un reclamo de verdad clasifica el caso, busca en tu base de conocimiento, redacta la respuesta, la revisa contra tus políticas, consulta un par de sistemas internos y, cuando algo no calza, lo reintenta. Una tarea terminada no es una llamada: son decenas, a veces cientos.

Ese es el número que casi nadie calcula y el que de verdad decide si tu caso funciona. Lo llamo el factor de amplificación: cuántas llamadas al modelo se gastan para entregar un solo resultado de negocio. En un piloto controlado ese factor es bajo, porque el caso es limpio y el camino es corto. En producción se dispara, porque la realidad trae casos raros, contexto largo y reintentos. Goldman Sachs proyecta que el consumo de tokens podría multiplicarse 24 veces hacia 2030 justamente por esto: los agentes se vuelven más autónomos y cada uno consume más. EY se lo dice a sus clientes en una frase que deberías anotar: el costo por token baja, el costo por tarea sube.

La fórmula es simple y tu equipo la arma en una planilla:

Costo por tarea = (llamadas por tarea × tokens promedio por llamada × precio por token) + overhead

El overhead es todo lo que el precio por token no incluye y casi siempre se olvida: las búsquedas en tu base de conocimiento, las llamadas a herramientas, el almacenamiento de contexto, los reintentos fallidos que igual se pagan. Una regla para no inflarlo: cuenta solo lo que el proyecto de IA agregó. Si ya pagabas por algo antes y lo seguirías pagando sin el agente, no es costo de la IA, es parte del paisaje y se cancela solo.

Pero no lo modeles con supuestos. Mídelo. Toma 50 o 100 tareas reales ya completadas en producción y suma todo lo que de verdad costó servirlas con IA: el consumo de los modelos más el overhead que agregó el agente, las búsquedas, las herramientas, el almacenamiento. Divide por la cantidad de tareas y ese es tu CPT real. Ahora compáralo con el número que asumió tu caso de negocio cuando se aprobó. La razón entre los dos, cuánto más caro es el real que el de la planilla, es tu primera bandera roja. Si tu caso asumió que una tarea costaba lo que cuesta una consulta, ya estás operando sobre una cifra que nunca fue verdad, mucho antes de que el subsidio se mueva.

Paso 2: córrele el stress, CPT ×2 y ×3

Ya tienes tu CPT real. Ahora lo estresas. Toma el retorno de tu proyecto y recalcúlalo con el costo por tarea al doble y al triple. Son dos columnas nuevas en la misma planilla.

La pregunta obvia es por qué ×2 y ×3 y no un alza más modesta. Porque el ajuste no va a llegar como “subimos la lista de precios 5%”. Va a llegar disfrazado, y por varias puertas a la vez: un modelo premium más caro para las tareas que de verdad importan, límites de uso más agresivos en los planes actuales, el fin de los descuentos por volumen que hoy te regalan por capturar mercado, el contrato enterprise que se renegocia al alza en la renovación. Junta dos de esas y ya estás en ×2 sin que nadie haya tocado oficialmente el precio. La presión de tener accionistas públicos mirando el margen cada trimestre es lo que convierte esto de hipótesis en agenda.

No estás tratando de adivinar el alza exacta. No la controlas, así que predecirla es perder el tiempo. Lo que el test mide es tu resistencia: ×2 y ×3 son escenarios de estrés, no pronósticos. La pregunta no es “¿cuánto van a subir?”, es “¿hasta cuánto aguanto yo?”.

Y si operas en Latinoamérica, hay una columna más que tu par del norte no tiene que llenar. La IA se compra en dólares: la API, las licencias, el cómputo. Tus ingresos están en pesos, reales o soles. Una empresa americana que enfrenta un alza en su costo por tarea la absorbe en la misma moneda en que factura. Tú la absorbes dos veces: el alza del proveedor y el riesgo cambiario encima. En la práctica, tu escenario ×2 se comporta como algo peor. Un movimiento del tipo de cambio de 15 o 20%, de los que en la región no son noticia, convierte tu ×2 en un ×2,4 real. Modélalo así. El golpe que para una empresa de Estados Unidos es un dolor de cabeza, para ti puede ser el que cruza la línea.

Paso 3: encuentra tu punto de quiebre

Después de estresar el caso, sale el único número que de verdad importa: el punto de quiebre. Es el costo por tarea al que tu proyecto deja de devolver plata, el punto donde lo que te cuesta la tarea iguala lo que vale resolverla. Exprésalo como un múltiplo de tu CPT actual, porque así se vuelve accionable: “mi caso aguanta hasta 2,7 veces mi costo por tarea de hoy”. Esa frase deberías poder decirla de memoria sobre tu proyecto de IA más importante. Si no la puedes decir, no terminaste el test.

Con ese múltiplo en la mano, tu proyecto cae en una de tres zonas.

Si aguanta ×3 o más, duerme tranquilo. Tu caso está parado sobre el valor que genera, no sobre el precio que hoy pagas. Que el subsidio se acabe te va a doler en el margen, pero no te cambia la decisión.

Si muere entre ×1.5 y ×3, estás en la zona de riesgo. El proyecto es rentable hoy y deja de serlo con un alza perfectamente posible en los próximos trimestres. Tienes tiempo para actuar, pero no mucho. Esta es, por lejos, la zona más poblada, porque la mayoría de los casos se construyeron sobre el CPT de la demo y nunca se estresaron.

Si muere bajo ×1.5, la conversación es otra. Tu proyecto apenas es viable hoy y cualquier normalización de precios lo da vuelta. No estás operando un caso de negocio, estás operando un subsidio ajeno. Mejor saberlo ahora que en la próxima renovación de contrato.

El punto de todo esto no es asustarte. Es convertir una ansiedad difusa, “los precios de la IA podrían subir”, en un número concreto que puedes gestionar.

El test corrido de verdad: nuestro propio soporte

Te lo muestro con un caso real, el nuestro, porque es más honesto que un ejemplo de laboratorio.

En Yom tenemos un agente que gestiona el soporte a clientes. Ojo con la palabra: no resuelve el problema técnico, todavía, pero gestiona el ticket completo. Responde al cliente, le asigna prioridad, mueve los estados, persigue al que tiene que resolver y cierra. Es exactamente el trabajo que antes hacía una persona metida todo el día en la mesa de ayuda.

Corramos el test.

Paso 1, el CPT real. Entre enero y mayo de 2026 el agente gestionó 222 tickets, unos 44 al mes. La cuenta de API que lo alimenta es de alrededor de US$100 mensuales. Divides una cosa por la otra y tu costo por tarea real es de US$2,3 por ticket gestionado. La plataforma de tickets, que cuesta más que eso, no entra en la cuenta: la pagábamos igual cuando el trabajo lo hacía una persona, así que no es costo del agente. No es el número de una demo: es lo que salió en la factura, contando solo lo que la IA agregó.

Pasos 2 y 3, el valor y el punto de quiebre. La persona que hacía antes esta gestión costaba del orden de US$1.500 al mes cargada. Ese es el valor que el agente libera. Puesto por ticket, son unos US$34 de valor contra US$2,3 de costo. El punto de quiebre aparece cuando el costo iguala al valor, es decir cuando la cuenta de API llegue a US$1.500 mensuales. Eso es quince veces el costo de hoy.

Quince veces. El test no me pide adivinar si los proveedores van a subir los precios. Me dice que mi caso aguanta que los multipliquen por quince antes de dejar de devolver plata. Le puedo sumar la capa cambiaria, el fin de los descuentos y un modelo premium encima, y ni así me acerco al borde. Este proyecto duerme tranquilo.

Ahora dale vuelta los números, porque el caso espejo es el que mata proyectos. Imagina la tarea opuesta: una que vale cinco centavos y que corres dos millones de veces al mes. Mismo proveedor, misma curva de precios. Si tu CPT real es de tres centavos, tu punto de quiebre está en 1,7 veces, y cualquiera de los ajustes que enumeré te deja en rojo el mismo trimestre. La diferencia entre los dos casos no es la tecnología ni el proveedor. Es que uno se para sobre una tarea que vale mucho y se repite poco, y el otro sobre una que vale poco y se repite hasta el infinito. El primero sobrevive a los precios reales. El segundo vive del subsidio y todavía no lo sabe.

Paso 4: mide tu lock-in, no es una nota al pie

El test tiene una variable escondida que cambia tu resistencia real: cuánto te demoras en irte. De nada sirve un punto de quiebre cómodo si, cuando llegue el alza, estás amarrado a un solo proveedor y no te puedes mover. Si migrar tu carga de trabajo a otro modelo te toma más de un trimestre, no puedes esquivar el aumento, y eso significa que tu CPT efectivo ya es más alto que el de la planilla, porque le tienes que sumar el costo de no poder huir. Cuando los laboratorios necesiten mostrar margen, el primero que paga la cuenta es el comprador que no se puede ir.

Hazle a tu equipo una sola pregunta: si mañana el proveedor principal duplica el precio, ¿cuánto nos demoramos en mover esto a otro modelo? Si la respuesta pasa de un trimestre, ya tienes un hallazgo, no un detalle. La arquitectura multi-modelo dejó de ser sofisticación técnica. Es una cláusula de seguro, y como todo seguro, se contrata antes del incendio.

Paso 5: qué haces con el resultado

El test no sirve de nada si no cambia una decisión. Lo que hagas depende de la zona en que caíste.

Si duermes tranquilo, no sobre-actúes. Sigue midiendo tu CPT cada trimestre y dedica tu energía a otra cosa. Un caso robusto no necesita que lo rescates.

Si estás en la zona de riesgo, tienes tres palancas y tiempo para usarlas. Baja el factor de amplificación, que es donde más rápido se gana: menos llamadas por tarea, un modelo más barato para los sub-pasos que no necesitan al grande, cachear lo que se repite. Renegocia el contrato antes de la renovación, mientras todavía tienes con qué negociar. Y construye la opción multi-modelo antes de necesitarla.

Si tu caso muere bajo ×1.5, la decisión es más dura pero más clara. O rediseñas el proyecto para bajar el CPT de raíz, o lo apagas tú, de forma controlada, antes de que lo apague la próxima renovación de contrato. Matar un proyecto a tiempo es una decisión de negocios. Que te lo maten por sorpresa es un problema de caja.

Corre el test ahora, y vuelve a correrlo en cada cierre de trimestre y en cada renovación. El precio de la inteligencia es lo único que va a cambiar. Tu obligación de saber a qué precio te caes, no.

La ventaja que queda en tus manos

La semana pasada terminé diciendo que la incomodidad con tiempo para actuar se llama ventaja. Esto es lo que quería decir. La incomodidad ya la tenías: sabías, en alguna parte, que el precio que pagas hoy por la inteligencia no iba a ser el precio para siempre. Lo que no tenías era qué hacer con esa sensación.

Ahora lo tienes. Un número, tu punto de quiebre, que convierte una amenaza difusa en una cuenta que puedes mirar de frente. No te dice si los precios van a subir. Te dice si te importa. Y esa diferencia, entre el que va a reaccionar cuando el primer laboratorio reporte su primer trimestre como empresa pública y el que ya corrió el test y sabe dónde está parado, es toda la ventaja.

Corre el test esta semana. La próxima vez que alguien te muestre el costo de la demo, vas a saber qué preguntar.

El lunes 1 de junio, Anthropic presentó ante la SEC el borrador confidencial de su S-1, el documento con que una empresa pide permiso para vender sus acciones al público. Siete días después, OpenAI hizo lo mismo. La prensa financiera celebró: la industria madura, los laboratorios se gradúan, Wall Street valida la tesis de la IA. Es la lectura cómoda.

La incómoda es otra. Cuando una empresa que pierde miles de millones al año corre a buscar capital público, no está celebrando nada. Está buscando la plata para seguir subsidiando la inteligencia que nuestras empresas consumen todos los días. Y los subsidios tienen algo en común, todos: fecha de vencimiento.

La carrera a Wall Street

Los hechos primero. Anthropic confirmó el 1 de junio que entregó su borrador a la SEC, días después de cerrar una ronda de $65 mil millones que la valorizó en $965 mil millones. OpenAI la siguió el 8 de junio, con un anuncio muy de su estilo: “esperamos que se filtre, así que mejor lo contamos nosotros”. Los analistas hablan de una valorización sobre el billón de dólares y un debut que podría llegar tan pronto como septiembre.

Si nunca has pasado por esto: que el trámite sea confidencial significa mostrarle los números al regulador sin mostrárselos todavía al público. Es el paso previo. La decisión de salir a bolsa está prácticamente tomada; lo que se discute es el cuándo.

Y no son dos casos aislados. Bloomberg calcula que el pipeline de IPOs de IA ya suma $3.6 billones (trillions, en la nomenclatura gringa), con SpaceX abriendo en Nasdaq esta misma semana. La generación completa de empresas que construyó esta ola va camino a reportar resultados trimestre a trimestre, frente a accionistas que no firmaron para financiar una misión. Firmaron para ver retornos.

Eso cambia las reglas para ellos. Y podría cambiar los precios para todos nosotros.

Los números que un mercado público no perdona

Primero, lo que juega a favor del optimismo. Según su propia CFO, Sarah Friar, OpenAI pasó de $6 mil millones de ingresos anualizados en 2024 a más de $20 mil millones en 2025, y en marzo de este año reportaba $2 mil millones de facturación mensual. Pocas empresas en la historia han vendido tanto tan rápido.

El problema es lo que cuesta vender eso. Según documentos financieros internos que reportó Fortune, las propias proyecciones de OpenAI contemplan pérdidas crecientes hasta 2028, con rentabilidad recién hacia 2030. Para 2026, su pronóstico interno habla de $14 mil millones de pérdida contra ventas de un orden similar. The Information calculó el consumo de caja acumulado hasta 2029 en unos $115 mil millones. No es un secreto ni una denuncia: son los números que la propia empresa proyecta.

Hasta hoy, esos números los financia capital privado que apostó al largo plazo. SoftBank, Microsoft, fondos soberanos. Inversionistas que aceptaron quemar plata por años a cambio de posición en lo que creen que es la tecnología definitoria de la época. Ese es el trato, y ha funcionado.

Un mercado público funciona distinto. Hay reporte trimestral, hay analistas preguntando por el margen bruto en cada call, hay fondos de pensiones que no pueden justificar pérdidas indefinidas ante sus aportantes. La historia reciente lo muestra bien: Uber y WeWork salieron a bolsa quemando caja, y el mercado les exigió disciplina a punta de castigo en el precio de la acción. Uber se volvió rentable recortando subsidios a pasajes y repartos. WeWork no llegó.

Para una empresa de IA, el camino a mostrar margen tiene pocas palancas: cobrar más por la inteligencia, gastar menos en servirla, o las dos. La segunda avanza rápido (los costos de inferencia por unidad caen año tras año), pero la primera es la que nadie quiere decir en voz alta mientras compite por capturar mercado.

Nada de esto significa que los precios suban mañana. Significa algo más específico: el subsidio que hoy financia la diferencia entre lo que pagamos por la IA y lo que cuesta servirla va a tener, por primera vez, accionistas mirándolo cada trimestre. Y cuando un subsidio queda bajo escrutinio trimestral, suele pasarle lo mismo que a los de Uber: se acaba.

La ilusión del token barato

La respuesta estándar a todo lo anterior es conocida: los precios de la IA solo bajan. Y a nivel de unidad, es cierto. El AI Index de Stanford documentó que el costo de consultar un modelo de nivel GPT-3.5 cayó más de 280 veces entre fines de 2022 y fines de 2024. Quien construyó su caso de negocio sobre esa curva tiene buenos argumentos.

Pero esa curva esconde dos cosas.

La primera: los precios actuales conviven con pérdidas proyectadas por las mismas empresas que los cobran. Si OpenAI vendiera la inferencia con margen sano, sus números no serían los que reporta Fortune. El precio de lista que pagamos hoy no es el costo real de servir la inteligencia; es una apuesta comercial financiada por inversionistas pacientes. Eso, en cualquier industria, se llama precio de penetración.

La segunda es más nueva y nos toca directo: cambió lo que compramos. En la era del chat, una pregunta era una llamada al modelo. Un agente que ejecuta una tarea completa (revisar un pedido, conciliar una factura, preparar un informe) hace cientos o miles de llamadas para entregar un solo resultado. Goldman Sachs proyecta que el consumo de tokens podría multiplicarse 24 veces entre 2026 y 2030 a medida que los agentes se masifican. EY ya se lo advierte a sus clientes corporativos: el costo por token baja, el costo por tarea sube.

Mira los presupuestos. Según el survey enterprise de Andreessen Horowitz, el gasto promedio en IA de una empresa grande pasó de $1.2 millones anuales en 2024 a $7 millones en 2026, creciendo 75% al año. Cada unidad de inteligencia es más barata que nunca. La cuenta total, más cara que nunca. Las dos cosas son ciertas a la vez, y la planilla que le mostraste al directorio probablemente solo modeló la primera.

Ahora suma la presión del mercado público sobre esa ecuación. Si los laboratorios necesitan mostrar margen, el ajuste no tiene por qué venir como un alza del precio de lista; rara vez funciona así. Puede venir como modelos premium más caros, límites de uso más agresivos, planes enterprise renegociados al alza, o el fin de los descuentos por volumen que hoy se regalan por capturar mercado. El resultado para quien compra es el mismo: el costo por tarea deja de bajar al ritmo que asumiste, o directamente sube.

Y si esto desafía a cualquier empresa del mundo, en nuestra región tiene un agravante.

El agravante latinoamericano

En abril escribí que Latinoamérica está sobre-adoptando IA y sub-invirtiendo en las capacidades para sostenerla. Este escenario convierte esa observación en un problema de caja.

Piénsalo desde la estructura de costos de una empresa de la región. La IA se compra en dólares: la API, las licencias, el cómputo. Los ingresos, en pesos, reales o soles. Una empresa americana que enfrenta un alza en su costo por tarea absorbe el golpe en la misma moneda en que factura. Una empresa latinoamericana lo absorbe dos veces: el alza del proveedor y el riesgo cambiario encima. Ese detalle no aparece en ningún caso de negocio que haya visto, y debería.

Según IDC, el gasto en tecnología de la región ronda los $92 mil millones y crece a doble dígito, mucho más rápido que sus economías. Una porción creciente de ese gasto es IA comprada a precios de penetración. En presupuestos que ya son más apretados que los de nuestros pares del norte, el margen de error es menor: si el costo por tarea se normaliza al alza, el proyecto que era rentable en la planilla deja de serlo en la operación, y el CFO se entera tarde.

Este lunes yo haría tres cosas.

Primero, estresar el caso de negocio. Toma tu proyecto de IA más importante y recalcula el retorno con el costo por tarea al doble y al triple. Si sigue siendo positivo, duerme tranquilo. Si no, mejor saberlo ahora que en la renovación del contrato.

Segundo, cambiar la métrica. Deja de mirar el precio por token y empieza a medir costo por tarea completada: cuánto cuesta de verdad procesar un pedido, responder un reclamo, generar un informe. Es la única unidad que conecta el gasto en IA con el negocio, y la única que sobrevive a los cambios de pricing de los proveedores.

Tercero, revisar el lock-in. Si cambiar de proveedor de modelo te toma más de un trimestre, no tienes poder de negociación, y cuando los vendedores necesiten mostrar margen, el primero que paga la cuenta es el comprador que no puede irse. La arquitectura multi-modelo dejó de ser sofisticación técnica; es una cláusula de seguro.

La pregunta que queda sobre la mesa

Nada de esto argumenta contra invertir en IA. El problema es un supuesto específico que se coló en miles de casos de negocio: que el precio de la inteligencia solo puede bajar. Durante tres años fue verdad. Los documentos que OpenAI y Anthropic presentaron esta semana abren, por primera vez, la posibilidad de que deje de serlo.

Los IPOs van a seguir su curso con o sin nuestra opinión. Lo que sí está en nuestras manos es la pregunta que cada uno debería poder responder antes de que el primer laboratorio reporte su primer trimestre como empresa pública: si mañana el costo por tarea se duplica, ¿tu estrategia de IA sigue en pie, o estaba parada sobre el subsidio?

La próxima semana voy a publicar la segunda parte de este análisis: un método concreto para estresar tu caso de negocio de IA y saber si sobrevive a los precios reales. Si esta semana te dejó incómodo, bien: la incomodidad con tiempo para actuar se llama ventaja.

Ninguna de esas cosas se logró en dos semanas. Son meses y años de trabajo que se anunciaron en ese período. Y eso es lo que lo hace interesante: si tantos resultados salen a la luz tan seguido, lo que hay debajo es una cantidad de desarrollo en paralelo que apenas estamos empezando a ver. Los anuncios se apilan porque el trabajo se viene acumulando.

La columna de Tunguz me dejó pensando. Fui más profundo. Busqué qué está pasando en medicina, en ciencia, en educación, en agricultura, en inclusión financiera, en respuesta a desastres. No solo en Estados Unidos y Europa. También en Latinoamérica.

Lo que encontré no es un escenario hipotético. Es un presente que la mayoría de los ejecutivos que conozco no tiene dimensionado.

Lo que la IA está curando

En abril de 2026, la Mayo Clinic validó una IA que detecta cáncer de páncreas hasta tres años antes del diagnóstico, usando tomografías de rutina. Tres años. En un tipo de cáncer donde la detección tardía es prácticamente una sentencia. El estudio se publicó en Gut y cambió la conversación sobre lo que significa “diagnóstico temprano.”

Pero eso fue un solo anuncio. En enero, MIT y Microsoft presentaron CleaveNet, un sistema que usa IA para diseñar nanosensores capaces de detectar enzimas cancerígenas con un test de orina casero, con el potencial de identificar hasta 30 tipos de cáncer. En abril, un equipo de McMaster y Stanford diseñó synthecin, un antibiótico completamente nuevo, efectivo contra estafilococos. La IA exploró un espacio de 46 mil millones de compuestos químicos para encontrarlo. Y en febrero, DeepRare, un sistema multiagente publicado en Nature, superó a médicos experimentados en el diagnóstico de enfermedades raras: 64.4% de acierto en el primer intento contra 54.6% de los especialistas. Los médicos avalaron el razonamiento de la IA el 95% de las veces.

La FDA lleva 1,451 dispositivos médicos con IA autorizados. Solo en 2025 aprobó 295, el récord histórico.

En Chile, la Clínica Alemana desarrolló “Alemana IA,” un asistente conversacional con más de 30 herramientas integradas que permite a los médicos consultar registros, laboratorios e imágenes en tiempo real, y “Alemana Voice,” que escucha la conversación médico-paciente y genera notas clínicas estructuradas. Trabajan en colaboración con Stanford Medicine. En México, Unima, una startup de Jalisco, creó kits portátiles con IA que diagnostican tuberculosis y dengue en 15 minutos, a un dólar por test, sin necesidad de laboratorio ni personal médico especializado. Han atendido a más de 500,000 pacientes y ya operan en Guatemala, Indonesia y Sudáfrica.

Lo que la IA está descubriendo

En febrero de 2026, Google DeepMind anunció que Gemini Deep Think había resuelto 18 problemas de investigación que llevaban años abiertos en matemáticas, física y ciencias de la computación. Uno de ellos era una conjetura de optimización que la comunidad académica daba por cierta hacía más de una década. La IA la refutó construyendo un contraejemplo combinatorio. En paralelo, lanzaron Aletheia, un workflow agéntico que genera, verifica y revisa soluciones a problemas matemáticos de forma autónoma. Lo probaron contra la base de datos de conjeturas de Erdős y resolvió cuatro que nadie había podido resolver.

No son mejoras incrementales. Son descubrimientos que no existían antes de que la IA los encontrara.

El patrón se repite en otros dominios. En Princeton, un equipo usó IA para escanear 83 millones de curvas de luz del telescopio TESS de NASA e identificó 10,091 nuevos candidatos a exoplanetas. En segundos, lo que a astrónomos les habría tomado años. En mayo, DeepMind lanzó WeatherNext 2, un modelo que genera pronósticos a 15 días con resolución de una hora, ocho veces más rápido que su versión anterior y superándola en el 99.9% de las variables. Cientos de escenarios climáticos en menos de un minuto corriendo en un solo TPU. Microsoft, por su lado, abrió el código de Aurora, un modelo de 1.3 mil millones de parámetros que genera pronósticos globales de contaminación del aire cinco mil veces más rápido que los sistemas tradicionales.

En abril de 2026, el satélite ATENEA, desarrollado por CONAE en colaboración con universidades argentinas (UNLP, UNSAM, UBA, entre otras), voló en la misión Artemis II de NASA. Alcanzó 70,000 kilómetros de distancia de la Tierra, lo más lejos que ha llegado jamás una sonda argentina. No es un proyecto de IA puro, pero representa capacidad científica latinoamericana operando al nivel de las misiones más ambiciosas del mundo.

Lo que se está construyendo acá

En Brasil, Nubank construyó nuFormer, un modelo de crédito basado en transformers que metió a 37 millones de personas al sistema financiero formal. 28.4 millones de personas recibieron su primera tarjeta de crédito y la morosidad bajó 12% en dos años. Eso es inclusión financiera a una escala que ningún programa gubernamental de la región ha logrado, impulsada por un modelo de IA que decide mejor que los scoring tradicionales quién puede pagar y quién no.

En México, Aviva puso kioscos con IA en zonas de alto tráfico para dar microcréditos de cien a mil dólares en siete minutos. Sin papeles. Un bot con visión por computador y procesamiento de lenguaje natural evalúa al solicitante en una videollamada asistida por IA. Van más de 200,000 clientes en más de cien ciudades, con una mora de 3.1%. El BID Lab los respaldó porque resuelven un problema real: el acceso a crédito formal para personas que el sistema bancario nunca quiso atender. Konfio, también en México, usa IA para dar crédito a pymes. El 84% de sus clientes accede a su primer préstamo empresarial a través de la plataforma. Llevan casi mil millones de dólares desembolsados.

En Argentina, Kilimo lleva 72 mil millones de litros de agua ahorrados con un sistema de IA que optimiza el riego analizando datos satelitales, climáticos y de suelo. Más de 2,000 agricultores en siete países de la región. Su Irrigation Academy ha capacitado a más de 120,000 productores en tres años. Desde Córdoba.

En Chile, CONAF y CENIA desplegaron una red de cámaras con deep learning que detecta columnas de humo e incendios forestales en aproximadamente dos minutos. Tres cámaras cubren el 75% de la cuenca de Santiago. En 2026 expandieron la red a La Araucanía y Magallanes. Después de los incendios de la Región de Valparaíso, esto no es innovación académica. Es infraestructura de supervivencia.

La tasa de adopción de IA en Latinoamérica es 47%, por encima del promedio global de 45%. En México pasó de 60% a 77% en un solo año. Enter, una startup brasileña de legal-AI, se convirtió en mayo en el primer unicornio de IA de Latinoamérica con una valoración de 1.2 mil millones de dólares. Triplicó su valoración en ocho meses.

La variable que falta

Todo lo que acabo de describir tiene algo en común: existe hoy. Son productos en uso, pacientes atendidos, litros de agua ahorrados, créditos desembolsados, incendios detectados. La tecnología demostró lo que puede hacer. Esa discusión terminó.

La que sigue es más incómoda, porque no se resuelve con presupuesto ni con infraestructura.

Stanford analizó 51 implementaciones reales de IA en 41 organizaciones de siete países. La mediana de ganancia de productividad fue 71%. Pero el hallazgo que me quedó dando vueltas fue otro: el 95% de los fracasos no fueron tecnológicos. Fueron organizacionales. Empresas que tenían la herramienta, tenían los datos, tenían el presupuesto, y no lograron capturar valor. No porque la IA no funcionara. Porque la organización no se movió.

Lo he visto de cerca. En Yom me tomó más de un año lograr que la adopción dejara de ser mía y empezara a ser de toda la empresa. Boris Kraizel en Buscalibre vivió lo mismo. Su equipo más técnico fue el más difícil de mover. Lo que desbloqueó las cosas no fue un workshop ni un memo. Fue que alguien se metió primero, construyó algo que funcionaba, y lo puso enfrente del resto.

Cada ejemplo que mostré en este post tiene un líder detrás que tomó una decisión antes de tener toda la información. El equipo de CONAF que apostó por cámaras con deep learning después de los incendios de Valparaíso. Los fundadores de Kilimo que desde Córdoba construyeron una plataforma que hoy ahorra agua para más de 2,000 agricultores en siete países. Nubank, que confió en un modelo de crédito que el sistema bancario tradicional habría considerado temerario.

La IA no se adopta sola. La despliega alguien que decide moverse sin esperar a que el mercado le dé permiso. Y la distancia entre las organizaciones que capturan valor y las que no se amplía cada trimestre, no porque la tecnología se vuelva más compleja, sino porque los que ya se movieron están componiendo sobre lo que construyeron.

Todo lo que leíste en este post ya existe. No es roadmap ni proyección. Son cosas que están pasando ahora, medidas por instituciones serias, varias de ellas construidas en nuestra región. La pregunta ya no es si la IA funciona.

Del otro lado, no faltan voces igual de serias advirtiendo que esta vez sí es diferente. Que la IA no es el tractor ni la electricidad. Que cuando una máquina puede pensar, el ser humano se queda sin su “ventaja competitiva”.

Leí el artículo de George con atención. Los datos que presenta sobre empleo son convincentes, y la evidencia histórica que recopila es sólida. Quienes predicen el fin del trabajo ven que el costo de la inteligencia colapsa, asumen que eso deja a los humanos sin función, y no miran más allá. No se preguntan qué nuevos mercados, industrias y roles aparecen cuando la inteligencia se vuelve barata y abundante. En eso, la evidencia le da la razón a George: la historia muestra que siempre aparecen trabajos nuevos.

Lo que no comparto es tratar esto como una revolución más. La IA no es el tractor. El tractor no pensaba. Cuando una máquina puede hacer lo que hacía tu cerebro, el ser humano pierde la ventaja competitiva que tuvo durante toda su historia. Estoy convencido de que vamos a encontrar una nueva. Todavía no sé cual, pero esa incertidumbre no me paraliza sino que me obliga a moverme más rápido.

Pero, ¿qué significa todo esto para alguien que toma decisiones en Latinoamérica?

¿Apocalipsis laboral? Esto dice la evidencia

En marzo escribí un post llamado La Paradoja del CEO Eficiente donde planteé que existe un riesgo real de que cada empresa optimice racionalmente su operación con IA mientras destruye, en conjunto, el mercado que la alimenta. Cité datos de Stanford, de PIMCO, de la participación laboral más baja en 78 años de medición en Estados Unidos. El cuadro era preocupante.

Desde entonces han aparecido datos nuevos que permiten afinar y completar la lectura que hice en ese momento.

En abril, el Yale Budget Lab publicó un análisis que fue al grano: “la imagen que emerge de nuestros datos es de estabilidad, no de disrupción a nivel económico”. Un working paper del NBER encontró que la adopción de IA en empresas no ha generado cambios significativos en el empleo total. La Fed de Atlanta encuestó firmas directamente: más del 90% reportaron cero impacto en sus niveles de empleo en los últimos tres años. Y el Census Bureau midió que solo el 5% de las empresas que usan IA reportaron algún cambio en su dotación, distribuido casi en partes iguales entre las que contrataron más y las que redujeron.

En Europa la historia es parecida. Un estudio del Banco Europeo de Inversiones midió que la adopción de IA aumentó la productividad laboral en 4% promedio en la Unión Europea, sin evidencia de reducción de empleo. El Banco Central Europeo encontró que la exposición a IA se correlaciona positivamente con el crecimiento del empleo, aunque con un matiz: los beneficios se concentran en países con sistemas de innovación fuertes.

Pero la foto tiene grietas. La economista Elsie Peng de Goldman Sachs publicó en abril un análisis que separa los dos efectos de la IA en el empleo: sustitución y augmentación. La sustitución está eliminando alrededor de 25,000 empleos mensuales en Estados Unidos. La augmentación está creando unos 9,000. El neto es negativo: unas 16,000 posiciones al mes. En una economía con más de 160 millones de empleados es una fracción mínima, pero es real. Y el impacto cae con más fuerza en roles de entrada y en trabajadores jóvenes — consistente con lo que Stanford ya había detectado y que analicé en La habilidad más valiosa de la próxima década.

Lo que muestran los datos en conjunto no es un apocalipsis. Es una recomposición. Hay roles que se comprimen, otros que se expanden, y la distribución de la riqueza se sigue concentrando. El mercado laboral, al menos en las economías desarrolladas donde se ha medido, se mantiene de pie. Pero no está quieto.

Esta película ya la vimos

El miedo a que la tecnología destruya empleos tiene más historia que la tecnología misma. En 1589, la reina Isabel I le negó una patente a William Lee por su máquina de tejer mecánica. Su razón: dejaría sin trabajo a los tejedores del reino. Cuatro siglos después, la industria textil emplea a más personas que en cualquier punto de la era isabelina.

Los economistas tienen un nombre para esto: la falacia del lump-of-labor. La idea de que existe una cantidad fija de trabajo en la economía, y que si una máquina hace más, los humanos hacen menos. Suena intuitivo. Y está consistentemente equivocada.

Los números son difíciles de ignorar. En 1900, el 41% de la fuerza laboral estadounidense trabajaba en agricultura. Para el 2000, era el 2%. La mecanización del campo no destruyó el empleo, liberó a millones de personas que terminaron en fábricas, oficinas, hospitales, laboratorios y eventualmente en industrias que nadie habría imaginado en 1900. La producción agrícola casi se triplicó en el proceso.

La electrificación hizo lo mismo. A principios del siglo XX, sólo el 5% de las fábricas estadounidenses usaba electricidad. Para 1930, el 80% de la manufactura corría con energía eléctrica y la productividad laboral se había duplicado. El resultado no fue desempleo masivo. Fue más manufactura, más comercio, más empleos de servicio, y una clase media que no existía antes.

Un ejemplo más reciente y menos épico: VisiCalc y Excel. Cuando la hoja de cálculo automatizó el trabajo de los contadores, se perdieron cerca de un millón de puestos de teneduría de libros en Estados Unidos. Pero aparecieron un millón y medio de puestos de analistas financieros. La herramienta no eliminó la función, la elevó. Y creó una industria entera de planificación y análisis financiero que antes no existía.

El patrón es consistente: cada vez que una tecnología abarata un insumo fundamental, la demanda no se congela. Se expande. Aparecen productos, servicios y mercados que nadie anticipó. Y el empleo, después de un período de ajuste, crece.

¿Y esta vez? Depende de a quién le preguntes. Y sobre todo, de dónde le preguntes.

Pero ¿de dónde vienen esos datos?

Todo lo que acabo de citar tiene algo en común: viene de Estados Unidos y Europa. Los papers son del NBER, de Yale, del Census Bureau, de la Fed de Atlanta, del Banco Central Europeo. Miden economías con mercados laborales flexibles, acceso profundo a capital, infraestructura digital madura y ecosistemas de reentrenamiento que, con todas sus fallas, existen.

Para Latinoamérica no hay equivalente. No existe un paper del NBER midiendo el efecto neto de la IA en el empleo chileno, colombiano o mexicano. Lo que hay son proyecciones, no mediciones. Y eso ya es un dato en sí mismo.

Lo que sí sabemos es que el tablero es radicalmente distinto. Según la OIT, el 46.7% del empleo en Latinoamérica es informal. Casi uno de cada dos trabajadores opera fuera del sistema formal: sin contrato, sin acceso a herramientas digitales en su trabajo, sin aparecer en ningún dataset de adopción de IA. México y Brasil, los líderes de la región, tienen 2 robots por cada 1,000 trabajadores — una fracción de lo que se ve en economías avanzadas.

Y hay un dato que merece atención. Latinoamérica tiene smartphones en todos lados. La penetración móvil supera el 70%. Pero eso no es lo mismo que tener puestos de trabajo digitalizados. Un estudio conjunto de la OIT y el Banco Mundial encontró que 17 millones de empleos en la región podrían mejorar su productividad con IA generativa, pero no pueden hacerlo porque los trabajadores no usan tecnologías digitales en su trabajo. En Brasil, por ejemplo, el 8.5% de los trabajadores en situación de pobreza podría beneficiarse de la IA generativa, pero solo el 40% de ellos usa herramientas digitales en su día a día laboral.

La brecha no es de acceso a internet. Es de uso productivo. Y esa distinción cambia la conversación entera.

Escudo o cuello de botella

La OIT y el Banco Mundial acuñaron un concepto que captura exactamente lo que está pasando en la región: “Buffer or Bottleneck”. La brecha digital de Latinoamérica actúa simultáneamente como escudo y como cuello de botella.

Como escudo: la baja digitalización de los puestos de trabajo protege a gran parte de la fuerza laboral de la automatización directa. Solo entre el 2% y el 5% de los empleos en la región está en riesgo real de ser reemplazado completamente por IA generativa. El vendedor de una tienda de barrio en Lima, el conductor de camión en Bogotá, el operario de una planta en Monterrey; sus trabajos no están en la línea de fuego inmediata. La IA necesita un sustrato digital para operar, y en buena parte de LATAM ese sustrato no existe en el lugar de trabajo.

Como cuello de botella: esa misma falta de digitalización impide capturar las ganancias de productividad. Entre el 8% y el 14% de los empleos en la región podría ver mejoras significativas de productividad con IA generativa. Pero la mitad de esos empleos no puede acceder a esos beneficios. No porque no exista la tecnología, sino porque el trabajo mismo no está digitalizado.

El resultado es una trampa: estamos protegidos del golpe, pero bloqueados de la ganancia.

Y acá entra un factor que rara vez se discute en la conversación latinoamericana. El St. Louis Fed publicó en abril de 2026 un análisis sobre por qué la adopción de IA varía tanto entre países. Encontraron que la demografía y el tamaño de las empresas explican parte de la brecha. Pero el predictor más fuerte fue otro: la calidad de las prácticas de gestión. Un punto más en su índice de management se asocia con 9.6 puntos porcentuales más de adopción de IA. Estados Unidos tiene de los puntajes de gestión más altos del mundo. Los países con puntajes bajos tienen las tasas de adopción más bajas.

No tengo el dato específico de LATAM en ese estudio, pero la implicancia es directa. La adopción de IA no depende solo de infraestructura o capital. Depende de cómo se gestionan las empresas. Y eso conecta con algo que veo todos los días: las empresas latinoamericanas que adoptan IA con éxito no son necesariamente las más grandes ni las más tecnológicas. Son las que tienen líderes dispuestos a experimentar, a cambiar procesos, a meter las manos.

El problema es que esos líderes son minoría. La mayoría de las empresas en la región opera como follower: espera a que otros validen la tecnología antes de moverse. En innovación tecnológica, eso siempre ha sido así. Pero con la IA, la ventana entre los que se mueven primero y los que llegan tarde se está cerrando más rápido que en cualquier ciclo anterior. Y cada trimestre que pasa sin adoptar no es un trimestre neutral, es un trimestre donde la distancia con los que sí adoptaron se agranda.

La expansión es real. Y LATAM tiene fichas en la mesa

Si la IA genera la expansión económica que proyectan las principales consultoras del mundo, la torta que se está creando es enorme. McKinsey estima que la IA generativa podría agregar entre 2.6 y 4.4 billones de dólares anuales a la economía global . Equivalente a sumar otra Alemania cada año. PwC proyecta que la IA podría sumar 15 puntos porcentuales al PIB global para 2035. Goldman Sachs calcula 7 billones de dólares en la próxima década.

Una parte se la llevan los dueños de la tecnología que son las empresas que construyen los modelos, los chips y la infraestructura. Eso está concentrado en Estados Unidos y China. Pero la expansión no se queda ahí. Necesita energía, necesita materiales, necesita infraestructura física. Y ahí LATAM aparece en el mapa.

La región tiene el 60% de las reservas mundiales de litio y produce el 46% del cobre global. Los analistas proyectan un déficit de 6 millones de toneladas de cobre para 2035, impulsado en gran parte por data centers y energía limpia. La producción de litio en la región debería pasar de 70,000 toneladas en 2025 a más de 200,000 para 2030. Morgan Stanley ve 280 mil millones de dólares en inversión extranjera directa fluyendo a Latinoamérica, impulsados por litio, nearshoring y reformas regulatorias. Brasil se está convirtiendo en el foco principal de inversión en data centers para la región. Y la tendencia de nearshoring está empujando proyectos hacia México, Centroamérica y partes de Sudamérica.

La expansión económica por IA ya está tocando a LATAM. Pero hay que ser honestos sobre por dónde está entrando: por el lado de los commodities y la infraestructura, no por el lado del conocimiento. Somos proveedores de las materias primas que necesita la revolución, no creadores de la revolución misma. Eso genera empleo y genera divisas. Pero no es lo mismo que capturar el valor que se crea en las capas superiores como las aplicaciones, los servicios, los nuevos modelos de negocio.

Capturar ese valor no requiere competir con OpenAI o NVIDIA. Como escribí hace unas semanas en un post sobre la posición de LATAM en el stack de IA, los modelos fundacionales se están convirtiendo en commodity — disponibles vía API por centavos. La diferenciación se movió de “tener el mejor modelo” a “resolver el problema correcto con la mejor ejecución”. Y ahí LATAM tiene una ventaja que Silicon Valley no puede replicar: conocimiento profundo de mercados que nadie más entiende y canales de distribución informales que no aparecen en ningún manual de Stanford.

El camino no es extraer litio y esperar. Es construir empresas que usen la infraestructura que otros crearon para resolver problemas que solo nosotros conocemos. Eso requiere ejecutivos que se muevan, que experimenten, que no esperen a que alguien en Estados Unidos les valide la idea. Y requiere que dejemos de medir nuestra posición en la carrera de IA por cuántos modelos entrenamos o cuántos data centers tenemos, y empecemos a medirla por cuántos problemas reales estamos resolviendo con la tecnología que ya existe.

Lo que queda por responder

La evidencia de 2026 me deja más tranquilo sobre el apocalipsis laboral. No está ocurriendo. La historia sugiere que no va a ocurrir. Los datos apuntan más hacia una recomposición que hacia un colapso.

Sobre la ventaja humana, no. La IA no es el tractor. Estamos perdiendo la ventaja competitiva que nos definió como especie durante toda nuestra historia: la capacidad de pensar. Vamos a encontrar otra. No sé cuál es todavía. Nadie lo sabe.

Y sobre Latinoamérica, menos. La región está protegida del golpe directo por las mismas razones que la mantienen atrás: informalidad, baja digitalización, empresas que se mueven lento. Esa protección tiene fecha de vencimiento. Cuando la IA llegue con fuerza a nuestros mercados laborales (y va a llegar), la pregunta no va a ser si destruye empleos. Va a ser si construimos lo suficiente antes de que eso pase.

La peor estrategia es esperar a que alguien más responda esa pregunta por nosotros.

Un día me contó que el encargado de operaciones de Buscalibre en Inglaterra le había mandado un link. El tipo no es programador. Coordina la logística desde Londres. Pero le habían dado acceso a la base de datos de Buscalibre y a las herramientas de IA que Boris venía configurando desde hacía meses. Con eso, se armó un dashboard operativo completo. Solo. Sin pedirle ayuda a nadie del equipo de tecnología.

Boris me lo contó emocionado. No por el dashboard. Por lo que significaba. Un tipo de operaciones, en otro continente, que nunca había escrito una línea de código, acababa de construir software de verdad. Eso no era eficiencia. No era hacer lo mismo más rápido. Era otra cosa.

Y lo que vino después fue una frase que se me quedó grabada: “Quién es capaz de hacer estas cosas cambió. Ese es el cambio más grande”.

Esa frase resume todo lo que quiero contar en este post. Porque lo que Boris logró en Buscalibre no fue un proyecto de IA. Fue el cuarto cuadrante del E².

El camino solitario

Boris no empezó con un plan de transformación digital. Empezó solo, en su casa, copiando y pegando código entre ChatGPT y su computador. Quería saber si podía construir cosas que antes le habrían tomado meses. Armó un comparador de precios. Un dashboard de rutas. Herramientas internas que nadie le había pedido. Y cada vez que una funcionaba, sentía que se corría un poco más el límite de lo que podía hacer.

El problema fue convencer al resto. Le tomó cerca de un año lograr que su empresa le creyera. Les mostraba lo que había construido. Les explicaba lo que venía. La gente asentía en las reuniones y después volvía a trabajar como siempre. Su equipo de tecnología, trece desarrolladores, lo miraba con escepticismo. Les preocupaba la calidad del código, el costo de las herramientas, y una pregunta que nadie decía en voz alta pero todos pensaban: ¿esto nos va a reemplazar?

Lo que no funcionó fue el discurso. Boris lo dice claro: “Yo no los convencí diciéndoles esto es lo que viene, esto es el futuro, si no nos vamos a quedar abajo de la micro. Tuve que mostrarles lo que había hecho, mostrarles cómo había avanzado, y con eso me empezaron a creer”.

Hay una ironía en eso. El equipo más técnico de la empresa fue el más difícil de mover. Boris hizo la misma lectura que hice yo en Yom: no puedes pedirle a la gente que use algo que no ha necesitado todavía. La herramienta no resuelve un dolor que ellos sientan. Resuelve un dolor que tú ves. Y hasta que no lo sientan ellos, ningún argumento va a moverlos.

Usó la misma estrategia que cuando implementó Slack ocho años atrás: si alguien le escribía por email o por WhatsApp, no respondía. Slack. Slack. Slack. Con la IA hizo lo mismo. No dio charlas ni mandó memos. Construyó cosas y las puso enfrente.

Los cuatro días del CTO

El punto de inflexión no fue una presentación ni un workshop. Fue cuando el CTO de Buscalibre se sentó cuatro días seguidos a construir con IA.

Boris lo había intentado todo. Demos, proyectos propios, conversaciones uno a uno. Pero mientras el CTO no se convenciera, la convicción no iba a bajar al resto del equipo de tecnología. Y el CTO tenía sus razones para resistirse: su trabajo es proteger que las cosas funcionen. Cada herramienta nueva es un riesgo. Cada acceso que se abre es una superficie de ataque. El instinto natural de un CTO no es experimentar. Es cuidar.

Hasta que un día el CTO le hizo caso. Se encerró cuatro días a programar con IA. Cuando volvió, le dijo a Boris que estaba impresionado por las cosas que había logrado hacer. Boris identifica ese momento como el quiebre real: “Ahí ya no soy yo. Ya convencí al head del equipo. Ahí empieza la convicción hacia abajo”.

Hay algo importante en esa secuencia. Boris dice que el CTO nunca va a ser el que empuje la adopción de IA en una empresa, porque su rol es proteger, no arriesgar. Tiene que haber alguien arriba que empuje. Y no puede empujar si no se ha metido él mismo. Boris lo resume en una frase: “Esto es revolver el gallinero”.

Después de esos cuatro días, Boris organizó un retiro de una semana completa con todo el equipo de tecnología. La regla era una sola: tenían que programar con IA. No todos hicieron el cambio. Pero algunos se engancharon. Y los que se engancharon empezaron a construir cosas que cambiaron lo que venía después.

Los tres pilares

Pero convencer al equipo no era suficiente. Boris entendió algo que separa al tercer cuadrante del cuarto: no basta con que el líder cruce la puerta. Tiene que construir el pasillo para que pasen los demás.

En Buscalibre, la barrera no era la voluntad. Era la infraestructura. Si alguien quería construir algo con IA, necesitaba acceso a los datos de la empresa, una forma de autenticar usuarios, y una manera de mandar mensajes. Cada una de esas cosas requería pasar por el equipo de tecnología, pedir permiso, esperar turno, negociar prioridades. Para cuando te aprobaban el proyecto, ya se te había pasado la motivación.

Boris construyó tres cosas que eliminaron esa fricción.

La primera fue una réplica de la base de datos. No la base de producción, sino una copia de solo lectura, separada, donde cualquier persona autorizada podía hacer consultas sin riesgo de romper nada. Si alguien corría una consulta mal hecha, se reiniciaba la réplica y listo. Producción nunca se enteraba.

La segunda fue un sistema de autenticación centralizado. Un login único para todas las aplicaciones nuevas que se construyeran dentro de Buscalibre. Boris podía crear usuarios, asignar permisos y controlar quién accedía a qué. Armó un repositorio con instrucciones para que cualquier proyecto nuevo pudiera conectarse al login en minutos.

La tercera fue un gateway de mensajería. Una API interna que permite mandar WhatsApp, email, SMS o mensajes de Slack desde cualquier aplicación. Boris la construyó él mismo en Replit. Cualquier proyecto nuevo recibe una llave de acceso y puede comunicarse por cualquier canal sin tener que configurar cada servicio desde cero.

Con esas tres piezas, la ecuación cambió. Cualquier persona en Buscalibre que quisiera construir algo tenía acceso a los datos, podía autenticar usuarios y podía mandar mensajes. Los tres problemas que antes frenaban cualquier proyecto nuevo dejaron de existir.

Los que nunca pudieron

Lo que pasó después es lo que hace que esta historia sea distinta a las anteriores de esta serie.

Uno de los socios de Boris, que no es del equipo de tecnología, se armó un sistema antifraude completo. Se conecta a los medios de pago, detecta anomalías y manda alertas. Boris lo describe como un tipo en su casa, motivado, poniéndole reglas a un software que antes habría requerido un equipo dedicado y meses de desarrollo.

Otro socio era el más escéptico. Decía que era imposible. Boris le construyó un dashboard conectado a todos los sistemas de gestión de la empresa y se lo mostró sin avisarle. Dos semanas después, el tipo no dormía. Había construido un sistema para autorizar pagos que nadie le había pedido. El escéptico más duro terminó evangelizando a otros empresarios en el gimnasio.

Y después vino el tipo de operaciones en Inglaterra. El del dashboard que emocionó a Boris. Un no-programador, en otro continente, construyendo software de verdad con acceso a la base de datos y las herramientas que Boris había dejado listas.

Eso es lo que Boris quiso decir con su frase: quién es capaz cambió. No es que la tecnología solo sea nueva. Tecnología nueva siempre hay. Lo nuevo es que personas que nunca pudieron construir software ahora pueden hacerlo. Gente de operaciones, de finanzas, socios comerciales. No porque se hayan vuelto programadores. Porque la interfaz cambió.

MIT Sloan documentó este fenómeno y les puso nombre: citizen developers. Empleados no técnicos que usan IA para diseñar, desarrollar y desplegar aplicaciones por su cuenta. Gartner estima que para 2026, el 80% de los productos tecnológicos serán construidos por personas fuera de los roles tradicionales de TI. Y Deloitte, en su reporte Tech Trends 2026, describe cómo las organizaciones están reemplazando equipos grandes de ingeniería por equipos pequeños donde expertos de dominio construyen su propio software.

Boris no leyó esos reportes. Llegó al mismo lugar porque construyó las condiciones y dejó que la gente hiciera lo que ya quería hacer.

Lo que vi en Yom

Lo que hizo Boris en Buscalibre no es un caso aislado. Lo vi pasar en mi propia empresa.

En el post anterior conté lo que me pasó a mí: un CEO que no sabe programar, construyendo agentes de IA durante sus vacaciones. Eso fue el tercer cuadrante. Personal. Pero cuando volví a Yom y le mostré a mi equipo lo que había armado, pasó algo que no esperaba. No tuve que convencerlos de nada. Vieron lo que su CEO había hecho y la reacción fue inmediata: si él pudo, yo también.

En dos meses la empresa se reorganizó alrededor de Claude. Definimos una nueva arquitectura para desarrollar con agentes. Todo lo que hacemos hoy pasa por ahí: informes, análisis, código, presentaciones, preparación de reuniones. Creamos agentes que hacen soporte al cliente. Sistemas para validar integraciones. Me armé una aplicación para llevar el flujo de caja de la empresa. Y personas del equipo que no son del área técnica empezaron a construir sus propias herramientas para resolver problemas de su día a día.

El patrón es el mismo que el de Boris. Un líder que se mete primero. Que muestra resultados antes de pedir adopción. Que construye las condiciones para que otros puedan construir. Y que un día descubre que ya no es él el que empuja. Que la cosa prendió sola.

Boris se demoró un año. A mí me tomó lo mismo, incluso más. Pero la secuencia fue idéntica. Y eso es lo que me importa: no es el tamaño de la empresa ni el sector. Es la secuencia.

El cuarto cuadrante

Esta serie empezó con una pregunta. Un amigo, sentado frente a Copilot, sin saber qué preguntarle. Ese fue el primer cuadrante: Yo + Eficiencia. El momento en que una persona descubre que puede hacer su trabajo de siempre, más rápido y con mejor calidad.

El segundo cuadrante fue lo que pasa cuando esa persona empieza a generar resultados que nadie le pidió. Una arquitecta que aprendió sola y terminó mostrándole a su empresa lo que la IA ya podía hacer. Un brote que alguien tuvo la inteligencia de regar.

El tercero fue personal. Yo, un CEO que no sabe programar, construyendo agentes de IA durante sus vacaciones. No eficiencia. Expansión. Descubrir que el límite no estaba donde creía.

El cuarto es lo que acabo de contar. Un líder que no solo cruza la puerta él mismo, sino que construye el pasillo para que pase toda su organización. Boris lo hizo con tres piezas de infraestructura y un año de persistencia. Yo llegué al mismo lugar por otro camino. Pero los dos descubrimos lo mismo: el momento en que dejas de ser el único fanático es el momento en que la cosa realmente cambia.

En el post donde presenté el E² escribí que la IA no transforma empresas, transforma a las personas que las lideran. Después de escribir estos cuatro posts, creo que la frase se queda corta. La IA transforma a las personas que la lideran. Y cuando esas personas construyen las condiciones para que otros hagan lo mismo, transforma organizaciones enteras.

No hace falta un plan de transformación digital. No hace falta un comité ni un roadmap de 18 meses. Hace falta un líder que se meta, que muestre, que construya las condiciones, y que tenga la paciencia de esperar a que los demás crucen. Porque van a cruzar. Solo necesitan ver que la puerta está abierta.

¿Qué construirías tú si supieras que el límite no es técnico?

En Yom hacemos IA hace más de diez años. Pero con la IA generativa, el uso cambió. Llevaba más de un año usándola todos los días para mi trabajo como CEO: preparar el directorio, analizar el pipeline, revisar contratos, armar presentaciones, etc. Pero todo eso era eficiencia: hacer lo mismo de siempre, más rápido y con mejor calidad. La IA era mi copiloto. Yo seguía siendo el mismo CEO haciendo las mismas cosas.

Lo que cambió cuando me desconecté fue la pregunta. En vez de pedirle a Claude que me revisara un NDA o me armara la minuta del directorio, empecé a preguntarle cosas que nunca le había preguntado. ¿Podrías enseñarme a configurar un servidor? ¿Podrías instalar esto por mí? ¿Podría yo, sin saber una línea de código, armar un sistema completo? Fue como si las restricciones mentales del día a día se hubieran desvanecido y por primera vez le estuviera pidiendo a la máquina algo realmente ambicioso.

¿Y si le pido algo más grande?

Por esa época estaba empezando a sonar OpenClaw, una plataforma open source para construir agentes de IA. No chatbots que responden preguntas, sino programas que hacen cosas por ti: mandan emails, revisan tu calendario, ejecutan tareas. Con más tiempo y sin la presión de la operación diaria, me puse a leer, a entender para qué servía, y me vino una curiosidad enorme por probarlo.

El problema era obvio: no sé programar. Nunca supe. Pero ya llevaba semanas pidiéndole cosas cada vez más ambiciosas a Claude, y cada vez que le pedía algo que parecía imposible para alguien sin formación técnica, la máquina lo resolvía. Así que le pedí que me ayudara a instalar OpenClaw en Railway, una plataforma cloud que tenía una instalación base relativamente simple. Y funcionó. No a la primera. No sin errores. Pero funcionó.

Configuré API keys, servidores en la nube, canales de Slack, cuentas de email, accesos OAuth. Todo con Claude Cowork haciendo el trabajo técnico mientras yo le decía qué quería lograr. Armé dos agentes. El primero se llama Atlas: me maneja la agenda, me organiza los emails y me lista los pendientes del día. El segundo se llama Don: me lleva el pipeline de ventas que manejo personalmente. Los dos operan todos los días dentro de Yom.

La primera vez que le hablé a Atlas por el Slack de la empresa y Atlas me respondió con mis pendientes para el día, sentí algo que no había sentido en mucho tiempo. No fue orgullo técnico. Fue liberación.

El límite que no existía

Durante toda mi vida de emprendedor quise aprender a programar. Pero el costo siempre fue demasiado alto. Yo soy el comercial, el que empuja a la organización, el que lidera. Y ese trabajo es complejo porque tienes que hacer muchas cosas diferentes, nunca hay tiempo para nada, y muchas veces te sientes abrumado porque no haces solo lo que te gusta sino muchas otras cosas que alguien tiene que hacer. Todo eso siempre impidió que me sentara a aprender a escribir código.

Pero con Atlas y Don funcionando, entendí algo: no necesitaba aprender a programar. Necesitaba hablarle a una máquina que programara por mí. Por eso el blog se llama La Última Interfaz. Porque la interfaz dejó de ser el código, los menús, los campos de texto. La interfaz ahora es el lenguaje. Y el lenguaje ya lo tengo.

El límite nunca fue técnico. El límite estaba en lo que yo me imaginaba que podía hacer. Mientras usaba la IA para revisar contratos y preparar reuniones, me imaginaba como un CEO con un copiloto. Cuando le pedí que construyera algo que yo no sabía construir, me di cuenta de que la puerta siempre estuvo ahí. Solo que nunca se me ocurrió empujarla.

La puerta que se abrió para todos

Lo que me pasó no es una anécdota aislada. Es un patrón que la industria ya está documentando.

Andreessen Horowitz publicó un ensayo a principios de 2026 donde describe un cambio que ya ocurrió: el costo de construir software se desplomó. Pero lo interesante no es eso. Lo interesante es la consecuencia. Cuando construir se vuelve barato, el problema deja de ser “cómo lo construyo” y pasa a ser “qué construyo”. La limitante ya no es técnica. Es de imaginación. Y a16z va más lejos: dice que cada equipo dentro de una empresa debería ser un equipo de software. No solo ingeniería. Legal, finanzas, operaciones, marketing. Todos deberían poder construir sus propias herramientas.

HBR investigó por qué los líderes senior siguen trabados en la adopción de IA. Encontraron que el problema no es falta de herramientas ni de presupuesto. Es que los ejecutivos enfrentan un cambio que no tiene manual: definiciones de valor que cambian cada trimestre, equipos emocionalmente divididos, y la presión de demostrar impacto con algo que apenas entienden. Los líderes que logran cruzar esa barrera comparten un rasgo: se sientan a usar la herramienta ellos mismos antes de pedirle a su organización que la use.

Yo no leí estos reportes antes de configurar OpenClaw. Los leí después. Y cuando los leí, entendí que lo que me había pasado no fue solo curiosidad de vacaciones. Fue exactamente el salto que estos investigadores están tratando de explicar: el momento en que un líder deja de delegar la IA y la toca con sus propias manos.

Lo que pasó cuando volví

Cuando volví a Yom y le mostré a mi equipo lo que había armado, pasó algo que no esperaba. No tuve que convencerlos de nada. Vieron a su CEO, que no sabe programar, operando agentes de IA que él mismo había configurado. Y la reacción fue inmediata: si él pudo, yo también.

En dos meses la empresa se reorganizó alrededor de Claude. Definimos una nueva arquitectura para desarrollar con agentes. Todo lo que hacemos hoy pasa por ahí: informes, análisis, código, presentaciones, preparación de reuniones. Me armé una aplicación para llevar el flujo de caja de la empresa. Creamos agentes que hacen soporte al cliente. Sistemas para validar integraciones. No fue un proyecto de innovación con un sponsor y un timeline. Fue contagio.

Pero lo que más me sorprendió fue lo que pasó fuera de Yom. I2B, mi empresa de consultoría de software que lleva 25 años operando, empezó a moverse cuando le conté a mi socio y a los ejecutivos lo que había hecho. Y estoy armando un proyecto de educación para enseñarle a los chilenos a usar IA. Porque si yo, un economista de 50 años que nunca escribió una línea de código, pude hacer esto, imagina lo que podría pasar si le enseñamos a los niños. A mi juicio esta es, por lejos, la herramienta más inclusiva que hemos creado en la historia de la humanidad. Si la ponemos en las manos correctas, podemos nivelar la cancha para los que siempre partieron atrás.

Mi espectro de lo posible se expandió. No solo como CEO. Como emprendedor, como profesional, como padre. Hay algo que cambia en ti cuando descubres que el límite no estaba donde creías.

El tercer cuadrante

En el post donde presenté el E² escribí algo que ahora entiendo mejor que cuando lo escribí: “El salto de Eficiencia a Expansión personal requiere algo que no se compra ni se contrata: curiosidad. La disposición a sentarte con una herramienta que no dominas y quedarte ahí hasta que algo se mueva”.

Eso fue lo que me pasó. No un curso. No un consultor. Curiosidad con tiempo y sin presión.

El primer cuadrante del E² fue aprender a hacerle una pregunta a la máquina. El segundo fue descubrir que los brotes en tu organización ya existen y hay que regarlos. El tercero es otra cosa. Es descubrir que tú puedes hacer cosas que nunca pudiste hacer. No porque te hayas vuelto más inteligente ni porque hayas estudiado algo nuevo. Porque la interfaz cambió.

Va a haber líderes que usen IA para hacer más de lo mismo. Mejor y más rápido, sí. Pero lo mismo. Y va a ser suficiente. Por un tiempo. Pero los que crucen al lado derecho del framework, los que se sienten a construir algo con sus propias manos, van a tener una ventaja que no se cierra con presupuesto. Porque van a entender lo que viene antes de que llegue.

El cuarto cuadrante, Mi Org + Expansión, es lo que pasa cuando una organización entera cruza esa puerta. Pero no va a ocurrir si el líder no la cruzó primero.

¿Qué construirías tú si supieras que el límite no es técnico?

No fue un curso ni un workshop lo que la hizo empezar. Fue algo personal. Un familiar cercano entró en un proceso médico complejo. Exámenes, tratamientos, medicamentos, efectos secundarios. Mucha información técnica que llegaba rápido y que había que entender para poder ayudar. Abrió ChatGPT, se creó una carpeta dedicada al tema, y empezó a cargarle todo lo que recibía. Resultados de laboratorio, indicaciones médicas, preguntas que no alcanzaba a hacerle al doctor en los quince minutos de consulta. La IA se convirtió en su forma de entender lo que estaba pasando y acompañar mejor a su familiar.

No estaba “adoptando IA”. Estaba resolviendo un problema que le importaba.

De la casa al trabajo

Eso la cambió. No porque se hiciera experta en IA, sino porque perdió el miedo a hablarle a la máquina. Aprendió que podía subirle exámenes de sangre y pedirle que los comparara con los anteriores. Que podía preguntarle por efectos secundarios de un medicamento específico, cuántos años llevaba en el mercado, qué opciones alternativas existían, qué seguros lo cubrían. Cosas que antes dependían de esperar la respuesta de un doctor que, como todos los doctores, estaba ocupado. En una ocasión, la IA detectó una falta de hidratación en los exámenes antes que el médico. No reemplazó al doctor. Pero le permitió llegar a la consulta con mejores preguntas y no quedarse esperando respuestas que tardaban días.

Un día le mostré Claude. Se entusiasmó, se pagó una cuenta, y se puso a armar un software para su trabajo. Quería resolver un flujo operativo que le consumía tiempo. No es programadora. Nunca lo fue. Pero llegó a armar un HTML funcional con todo el proceso mapeado. No le sirvió al final porque necesitaba capacidades de procesamiento de imágenes que la herramienta no tenía. Pero el punto no es que funcionó o no funcionó. El punto es que lo intentó. Una arquitecta, sola, construyendo software. Hace dos años eso no era una frase que alguien dijera en serio.

El quiebre en su trabajo vino con una presentación. Tenía que mostrar distintas opciones de arquitectura y sus costos. Usó IA para diseñar las propuestas, renderizar espacios a partir de fotos, comparar materiales, visualizar alternativas que antes requerían semanas de trabajo externo y presupuestos que nadie aprobaba. La presentación se entendió tan bien que su equipo completo empezó a trabajar con IA.

Después vinieron los presupuestos. Tuvieron una licitación donde se presentaron varias constructoras. Metió los datos a la IA e hizo un comparativo: detectó las partidas con mayor diferencia de precio entre las propuestas, verificó que estuvieran dentro de los rangos establecidos por la empresa, y cargó valores históricos para medir el alza real. Con todo eso llegaron a una negociación mejor informada que cualquiera que hubieran tenido antes.

Nadie en su empresa le pidió que hiciera nada de esto. No había un programa de adopción de IA para su área. No había un comité que le dijera qué herramientas usar. Lo hizo porque ya sabía que podía preguntarle cosas a la máquina, y un día se preguntó: ¿qué pasa si le pregunto sobre mi trabajo?

Cuando la empresa le abrió la cancha

Mi esposa le contó a su jefe lo que estaba haciendo. Su jefe la derivó con un gerente nuevo, a cargo de un área que la empresa acababa de crear para liderar la adopción de IA. Mi esposa pidió una reunión, le mostró todo: los renders, las presentaciones, el comparativo de la licitación. Al gerente le encantó. Le ofreció apoyo en lo que necesitara.

Se fue de esa reunión con tarea para la casa. Ella y su equipo se dividieron para probar todas las herramientas de IA que necesitaban: Claude, ChatGPT, Copilot, herramientas especializadas en arquitectura y diseño. El objetivo es elegir las mejores para su flujo de trabajo y pedirlas formalmente a la empresa.

Piensa en lo que acaba de pasar. Una empresa grande de retail ya tenía un área nueva de IA. Ya estaba mirando el tema. Tenía presupuesto, plan, estrategia de implementación. Pero cuando una arquitecta llegó con resultados concretos que nadie le había pedido, no le dijeron “espera a que definamos el proceso”. Le dijeron “muéstrame lo que hiciste” y le abrieron la cancha.

Eso es ser jardinero.

El jardín que nadie plantó

Lo que hizo mi esposa tiene un nombre en la literatura de gestión, aunque ella nunca lo buscó. HBR investigó cómo los mejores usuarios de IA se comportan distinto al resto. Encontraron que los que generan valor real no tratan a la IA como un buscador. La tratan como un socio de razonamiento. Le delegan tareas complejas con objetivos claros. Iteran. Exactamente lo que ella hizo: primero con la información médica, después con los renders, después con los presupuestos. No le preguntaba una cosa y cerraba. Pensaba con la herramienta.

BCG encontró que el 74% de las empresas no logra escalar sus proyectos de IA. Tres de cada cuatro. No porque la tecnología no funcione, sino porque la adopción no prende. La herramienta se compra, se instala, se anuncia. Pero la gente no la usa. O la usa como Google glorificado.

McKinsey lo puso en una metáfora que me quedó dando vueltas. Dicen que hay dos tipos de líderes frente a la adopción de IA: el carpintero y el jardinero. El carpintero planifica todo desde arriba. Diseña el mueble, compra los materiales, ejecuta el plan. Es el CEO que arma un comité de IA, contrata la consultora, define el roadmap de 18 meses. El jardinero hace otra cosa. Observa dónde ya están brotando cosas, y las nutre. No planta desde cero. Riega lo que ya creció solo.

Mi esposa fue un brote. Nadie la plantó. Creció sola porque las condiciones estaban dadas: exposición en la casa, una necesidad personal urgente, curiosidad, y ninguna barrera corporativa que le dijera “eso no es tu rol”. Cuando la empresa se dio cuenta de lo que estaba haciendo, tuvo la inteligencia de no aplastarla con un proceso. Le abrió la cancha.

Lo que vi en Yom

Me pasó algo parecido en Yom, pero desde el otro lado. Yo era el que tenía que decidir cómo adoptar IA en la empresa.

El primer impulso fue el del carpintero. Armar un plan, definir qué herramientas, capacitar al equipo, medir adopción. Lo intenté. No funcionó como esperaba. La gente asentía en las reuniones, hacía el curso, y después volvía a trabajar como siempre. El problema no era resistencia. Era que yo les estaba pidiendo que usaran algo que no habían necesitado todavía. La herramienta no resolvía un dolor que ellos sintieran. Resolvía un dolor que yo veía.

Lo que sí funcionó fue distinto. Empecé a usar IA para todo lo mío. Preparar directorio, analizar el pipeline, procesar reportes financieros, armar presentaciones. Mi equipo lo veía. Veían que las cosas salían más rápido, que llegaba a las reuniones con análisis que antes no existían, que les pedía cosas que antes no pedía porque no tenía tiempo de procesarlas. No les dije “usen IA”. Les mostré qué pasaba cuando alguien la usaba.

Los primeros en adoptarla fueron los que tenían sus propios dolores. Una persona del equipo comercial empezó a usarla para preparar propuestas. Otra la usó para analizar contratos. No fue simultáneo ni ordenado. Fue orgánico. Los brotes aparecieron solos. Lo que yo hice fue regarlos: darles acceso, darles tiempo, no pedirles que justificaran el ROI antes de haber experimentado.

Hoy Yom opera con IA en prácticamente todo. Pero no llegamos ahí por un plan de transformación. Llegamos porque las personas encontraron sus propias razones para usarla.

El segundo cuadrante

El primer cuadrante del E² es personal. Es hacerle una pregunta a la máquina. Es lo que le pasó a mi amigo el director con Copilot. Pero el segundo cuadrante no es “ahora haz lo mismo pero en tu empresa.” Es otra cosa.

Mi Org + Eficiencia no empieza con una estrategia de IA. No empieza con un presupuesto ni con un comité ni con un roadmap. Empieza con una persona que ya hizo el Q1 sola y que está generando resultados que nadie le pidió. Puede ser una arquitecta que aprendió a hacer renders con IA. Puede ser alguien del equipo comercial que empezó a preparar propuestas en la mitad del tiempo. Puede ser un analista que se armó su propio flujo de trabajo sin pedirle permiso a nadie.

La pregunta del Q2 no es “¿cómo implemento IA en mi organización?” La pregunta es: ¿quién en tu empresa ya la está usando y tú no lo sabes?

HBR encontró que solo el 31% de los empleados expresa entusiasmo real por la adopción de IA. Los líderes asumen que su gente está entusiasmada. No lo está. Pero entre ese 31% hay brotes. Gente que ya empezó sola.

Los brotes ya existen. La pregunta es si los vas a regar o los vas a aplastar con un proceso.

Esto es Mi Org + Eficiencia. El segundo cuadrante del E². No empieza con un plan. Empieza con abrir los ojos.

¿Quién en tu organización ya hizo el Q1 sin que nadie se lo pidiera?

Le propuse juntarnos a almorzar. Durante la comida me pidió ayuda con algo: llevaba meses queriendo automatizar una tarea que le consumía horas al día. Si lograba resolverla, iba a tener tiempo para ayudarme con un proyecto mío. Un intercambio justo.

Cuando terminamos de comer me dijo “vamos a mi oficina, te muestro lo que hago.”

Lo que vi ahí me enseñó más sobre por qué la gente no usa la IA que cualquier reporte de consultoría.

Los 50 emails

Su proceso era este. Todos los días recibe más de 50 emails con solicitudes para aprobar o rechazar negocios. Cada uno requiere el mismo ritual: abrir Power BI, revisar varios reportes que tiene construidos, buscar si hay capacidad instalada disponible, cruzar eso con los deals que tiene en el pipeline de corto, mediano y largo plazo, comparar los precios a los que se ha vendido esa capacidad versus los precios de los deals futuros. Con toda esa información y un proceso que lleva años afinando, toma una decisión. Aprueba o rechaza. Siguiente email.

Es un proceso valioso. Las decisiones que toma mueven plata real. Pero le toma horas. Todos los días. Y él lo sabe. Por eso me pidió ayuda. Quería que le construyera un agente de IA que hiciera el análisis por él, o que al menos le dejara todo listo para solo apretar el botón.

Mientras me explicaba esto, con Power BI abierto y los reportes en pantalla, vi un ícono en la esquina superior derecha. Copilot. Le pregunté si lo tenía habilitado. Me dijo que sí, que la empresa lo había habilitado hace meses.

“¿Y qué le pregunto?”

Le dije: “¿Y por qué no le preguntas a Copilot?”

Me miró extrañado. “¿Y qué le pregunto?”

Le dije que no sabía, pero que copiara el email entero y le preguntara si, con toda la data que tenía en los reportes de Power BI, debería aceptar o rechazar el deal.

Fue, lo hizo, y Copilot le respondió que sí, que aceptara. La misma conclusión a la que él había llegado haciendo todo su proceso.

Le dije: “Ahora pídele que te explique el racional de su decisión, para ver si te hace sentido.”

Lo hizo. Copilot le explicó paso a paso por qué recomendaba aceptar: la capacidad disponible, la comparación de precios, los deals en el pipeline. El mismo análisis que él hacía saltando entre reportes durante horas, condensado en un párrafo.

Me mira y me dice: “¿Me estás webiando? ¿Esto lo tenía acá todo este tiempo?”

La interfaz que no se actualizó

Mi amigo no es un tipo que le tenga miedo a la tecnología. Es un director que maneja presupuestos grandes, toma decisiones complejas todos los días y entiende su negocio mejor que nadie que yo conozca. Tenía Copilot instalado hacía meses. Y seguía haciendo a mano lo que la herramienta ya sabía hacer.

¿Qué pasó ahí?

No fue ego. No fue resistencia al cambio. No fue falta de capacidad. Fue algo más simple y más profundo: no sabía que podía preguntar.

Suena absurdo dicho así. Pero tiene una explicación. Durante 30 años aprendimos a interactuar con computadores de una forma específica: clicks, menús, campos, reportes. Tú le pides cosas a la máquina navegando su estructura. Aprendes dónde está cada función, memorizas las rutas, construyes tus atajos. La interfaz era visual y la relación era mecánica.

La IA generativa cambió eso. Ahora la interfaz es el lenguaje. Le hablas a la máquina como le hablarías a un colega. Le copias un email y le dices “¿debería aceptar este deal?” Así de simple.

Pero el cambio de interfaz ocurrió más rápido que el cambio en nuestra cabeza. Mi amigo tiene la nueva interfaz abierta en su pantalla y sigue operando con las reglas de la anterior. No es que no vea el botón de Copilot. Es que “¿y qué le pregunto?” es la pregunta de alguien que todavía no concibe que hablarle a la máquina sea una opción.

Esa es la barrera real del primer cuadrante del E². No es técnica. No es emocional. Es una interfaz mental que no se actualizó.

Tres niveles de uso (y dónde estás realmente)

McKinsey reporta que el 88% de las empresas dice usar IA. Pero solo el 7% la ha escalado y apenas el 39% ve impacto real en su EBIT. PwC lo confirma: más de la mitad de los CEOs no ha capturado ni ingresos ni ahorros con IA. ¿Cómo es posible que casi todos usen IA y casi nadie vea resultados? Porque hay diferencias enormes en lo que “usar IA” significa.

El primer nivel es el que yo llamo Google glorificado. Abres ChatGPT, le haces una pregunta, lees la respuesta, cierras la pestaña. OpenAI analizó 1.5 millones de conversaciones y encontró que el 49% del uso es exactamente eso: hacer preguntas. Casi la mitad de la gente usa la herramienta más poderosa de la historia como si fuera un buscador. Es como tener un Ferrari y usarlo para ir a comprar pan. Funciona, pero no es para lo que fue diseñado.

El segundo nivel es más sutil y más común de lo que parece. Es cuando le pides a un humano que haga algo que la máquina que tienes abierta ya sabe hacer. Mi amigo estaba en este nivel sin saberlo: quería que yo le construyera un agente para resolver algo que Copilot ya resolvía. Piénsalo un segundo. Un director con décadas de experiencia, pidiéndole a otro CEO que le arme una solución de IA, mientras la solución ya estaba instalada en su computador. ¿Cuántos ejecutivos están pidiéndole a su equipo que prepare análisis, resúmenes o comparaciones que la IA les entregaría en minutos? ¿Cuántos están aprobando proyectos de automatización para tareas que la herramienta que ya tienen licenciada resuelve hoy? No por maldad ni por flojera. Porque no saben que la opción existe.

El tercer nivel es el copiloto. No le preguntas una cosa y cierras. Piensas con la herramienta. Le pides la respuesta, después le pides el racional, después le dices “ahora dame los tres escenarios en los que esta decisión sale mal.” Iteras. Desafías. Usas tu experiencia para evaluar lo que te entrega y tu criterio para decidir qué hacer con eso. Eso es YO + Eficiencia. Eso es el cuadrante 1.

La mayoría de los ejecutivos que dicen usar IA están entre el primer y el segundo nivel. Y no lo saben.

La peor hora de mi día

Me pasó lo mismo. No soy distinto a mi amigo. Solo tuve el click antes.

Hace un año y medio, preparar la reunión de directorio me tomaba medio día. Leer reportes, cruzar números, armar una narrativa que conectara las métricas con las decisiones que necesitaba aprobar. Un día abrí Claude y le pegué el reporte financiero del mes. Le dije algo como “eres el CFO de una empresa de tecnología B2B en LATAM, analiza estos números y dime qué le presentarías al directorio.” La respuesta no fue perfecta. Pero fue un punto de partida que me ahorró tres horas. Le pedí que ajustara el tono, que profundizara en los puntos débiles, que me anticipara las preguntas que me iban a hacer. En una hora tenía algo mejor que lo que antes me tomaba medio día.

No fue un momento de revelación. Fue un martes. Pero al martes siguiente lo hice de nuevo. Y después empecé a hacer lo mismo con el pipeline comercial, con las notas de mis reuniones, con los mensajes que priorizaba en Slack. Cada vez que encontraba una tarea repetitiva que me consumía energía, le preguntaba a la IA si podía ayudarme. A veces no podía. La mayoría de las veces sí.

The Conference Board encontró que los CEOs que están capturando valor real con IA dedican más de 6 horas por semana a usarla y aprender de ella. Casi el doble que el resto. No porque tengan más tiempo. Porque decidieron invertirlo distinto.

No cambié mi forma de trabajar de un día para el otro. Maté la peor hora de mi día. Después maté la segunda. Y así hasta que mi rutina era otra.

El costo es hoy

Mi amigo lleva meses tomando 50 decisiones al día con un proceso que le toma horas. Las decisiones no son malas. Son las mismas que Copilot le entregó en segundos. Pero el tiempo que gasta en llegar a ellas es tiempo que no dedica a pensar estratégicamente, a ver el negocio desde arriba, a ayudarme con mi proyecto. Multiplica eso por 250 días de trabajo al año.

No perdió plata. Perdió algo peor: tiempo operando por debajo de su propia capacidad.

Y eso no es un problema de mañana. Es un problema de hoy. Cada día que no le haces esa primera pregunta a la IA, esa pregunta que te parece tonta, obvia, demasiado simple: es un día que estás tomando decisiones más lento de lo que podrías, con menos información de la que podrías tener, gastando energía en cosas que la máquina ya sabe hacer.

La barrera no es aprender IA. La barrera es hacerle una pregunta.

Esto es YO + Eficiencia. El primer cuadrante del E². Empieza acá.

¿En qué cuadrante estás hoy?

Me miró sorprendido. “Suena a que Latam va a perder la carrera”, dijo.

Le respondí: “Depende de qué carrera estás intentando ganar.”

Resulta que las restricciones de capital en Latinoamérica nos salvaron de cometer el error más caro de nuestra historia: competir en las capas equivocadas del Stack Tecnológico de la IA.

La paradoja que nadie conecta

Los números cuentan una historia extraña. Según el Índice Latinoamericano de Inteligencia Artificial (ILIA 2025) de CEPAL, Latinoamérica representa el 14% de las visitas globales a soluciones de IA, a pesar de ser solo el 11% de los usuarios de internet del mundo. Estamos sobre-indexando en adopción.

Pero al mismo tiempo, recibimos apenas el 1.12% de la inversión global en IA, a pesar de que representamos el 6.6% del PIB mundial. Estamos sub-invirtiendo dramáticamente.

Mientras tanto, el mercado de IA en la región está proyectado para crecer de $4.71 mil millones en 2024 a $30.2 mil millones en 2033, según IMARC Group. Una tasa de crecimiento anual del 22.9%.

La narrativa dominante dice que esto es un problema: “Latinoamérica se está quedando atrás en IA. Mientras Estados Unidos y China invierten miles de millones en centros de datos y modelos fundacionales, nosotros apenas recibimos las sobras de la inversión global.”

Pero esa narrativa está mirando la carrera equivocada.

El ecosistema de IA: cinco capas, pero sólo una importa para nosotros

Como escribí en mi análisis del Nuevo AI Stack, Andrew Ng describe la arquitectura de IA en cinco capas fundamentales. Cada una con dinámicas económicas completamente diferentes.

En la base están los semiconductores: NVIDIA, AMD, Intel. Intensivo en capital, barreras de entrada altísimas. Se requieren miles de millones de dólares y décadas de experiencia en fabricación de chips.

La segunda capa es la infraestructura en la nube: AWS, Google Cloud, Azure. Dominada por gigantes con infraestructura global que nadie puede replicar fácilmente.

La tercera son los modelos fundacionales: OpenAI, Anthropic, Meta. Requiere recursos masivos de entrenamiento y equipos de investigación de clase mundial.

La cuarta es la orquestación agéntica: herramientas como LangChain, CrewAI, AutoGen. Una capa emergente y menos saturada, pero aún muy técnica.

Y en la superficie están las aplicaciones: la capa más diversa, con mayor potencial, donde el valor finalmente llega al usuario final que paga por resolver un problema real.

La lógica económica es simple, como dice Ng: “Casi por definición, las mayores oportunidades tienen que estar en la capa de aplicaciones, porque necesitamos que las aplicaciones generen aún más ingresos para que puedan pagar por toda la infraestructura subyacente.”

En otras palabras: alguien tiene que monetizar todo esto. Y ese alguien opera en la capa de aplicaciones.

Nuestras restricciones nos salvaron

Mientras las capas inferiores del ecosistema consumen miles de millones sin caminos claros a la rentabilidad, nosotros nunca pudimos jugar ese juego. No teníamos el capital necesario para hacerlo.

Y resulta que esa fue nuestra suerte.

Un estudio reciente de MIT NANDA encontró que aproximadamente el 95% de los pilotos de IA empresarial no logran generar impacto medible en resultados financieros. Solo el 5% consigue aceleración de ingresos. Y según S&P Global, el 42% de las empresas abandonaron la mayoría de sus proyectos de IA en 2024, comparado con solo el 17% en 2023.

El problema no es la tecnología. Es que muchas empresas están compitiendo en las capas equivocadas o implementando IA sin rediseñar procesos fundamentales.

Nosotros no tuvimos la opción de cometer ese error. Las restricciones de capital nos forzaron a ser pragmáticos desde el día uno: usar lo que ya existe, enfocarnos en resolver problemas reales, generar valor rápido.

Tenemos algo mejor que capital infinito

La sobre-adopción que muestran los datos de CEPAL no es un accidente. Es señal del hambre que tiene el mercado Latinoamericano.

El reporte ILIA 2025 señala que el uso en la región está “concentrado en herramientas listas para usar de bajo requerimiento técnico”. Algunos lo leen como debilidad. Yo lo leo como pragmatismo: las empresas latinas adoptan rápido porque tienen dolores urgentes que resolver, y usan lo que ya existe en lugar de construir desde cero.

Esto es una ventaja estratégica. Mientras otros mercados optimizan procesos ya digitalizados con márgenes incrementales, Latinoamérica tiene miles de problemas masivos sin resolver:

Canales de venta tradicionales completamente analógicos. Cadenas logísticas sin trazabilidad digital. Sectores enteros operando con procesos manuales de hace 30 años. Informalidad masiva que necesita estructura.

Cada uno de estos problemas representa una oportunidad de mercado enorme.

En Yom, por ejemplo, usamos IA para que nuestros clientes vendan más y disminuyan el costo de ventas de sus operaciones comerciales en el canal tradicional. No construimos modelos ni infraestructura. Simplemente usamos lo que ya existe (APIs de modelos fundacionales como los de OpenAI ó Anthropic) y lo exponemos desde la capa de aplicaciones, aprovechando la infraestructura que los gigantes de la nube ya construyeron.

No podríamos competir en esas capas inferiores aunque quisiéramos. Y no necesitamos hacerlo.

La estrategia pragmática funciona

CEPAL reporta en ILIA 2025 que hay una “oportunidad de democratizar la innovación y fortalecer la productividad” precisamente porque las herramientas de IA pueden “generar beneficios significativos en economías de diferentes tamaños y estructuras, siempre que existan entornos favorables para la innovación y el emprendimiento.”

El mercado lo confirma: crecimiento proyectado del 22.9% anual hasta 2033.

La clave está en entender qué construir. No necesitamos el siguiente ChatGPT. Necesitamos los negocios que usan ChatGPT, Claude o Gemini para resolver problemas específicos de Latinoamérica que nadie más entiende como nosotros.

Necesitamos aplicaciones verticales que hablen el idioma de los vendedores en terreno. Que entiendan la informalidad. Que funcionen con conectividad intermitente. Que se integren con sistemas antiguos que nunca van a desaparecer.

Ese conocimiento del contexto local es imposible de replicar desde Silicon Valley.

Lo que aprendí

Cuando empecé a estudiar la IA en profundidad, mi primera reacción fue de preocupación. Veía los miles de millones que se invertían en Estados Unidos y Asia, y pensaba: “Latam no tiene chance. No tenemos el capital para competir en esta carrera.”

Tardé un tiempo en entender que estaba mirando la carrera equivocada.

La carrera no es por construir el mejor modelo fundacional. Esa batalla la van a ganar empresas con acceso a cientos de miles de millones de dólares y los mejores talentos de Stanford y MIT.

La carrera que importa es la de resolver el problema más valioso con la mejor ejecución.

Y ahí, Latinoamérica tiene ventajas reales. Problemas masivos sin resolver que representan oportunidades de mercado enormes. Adopción rápida de herramientas que validan el hambre del mercado. Y restricciones que nos fuerzan a ser pragmáticos en lugar de perseguir modas tecnológicas.

La inversión inteligente no es en modelos. Es en aplicaciones verticales específicas que aprovechan la infraestructura que otros ya construyeron. Es entender problemas locales mejor que nadie. Es una ejecución rápida por sobre la ciencia ficción.

El momento es perfecto

Los modelos fundacionales se están convirtiendo en commodity. GPT-4, Claude, Gemini están disponibles vía API por centavos por token. La diferenciación técnica entre ellos se achica cada mes.

Eso significa que la ventaja competitiva se movió definitivamente de “tener el mejor modelo” a “resolver el problema correcto con la mejor ejecución.”

Latinoamérica llega al juego exactamente en el momento correcto. Cuando finalmente podemos competir en la capa que importa, sin necesidad de miles de millones en CapEx. Cuando el valor se captura resolviendo problemas reales, no construyendo la tecnología más impresionante.

La pregunta no es si Latam se está “quedando atrás” en IA.

La pregunta es cuántos emprendedores van a entender que llegamos en el momento perfecto, justo cuando la ventaja pasó de capital a ejecución. Justo cuando nuestras restricciones dejaron de ser debilidad y se convirtieron en disciplina estratégica.

El momento es ahora. Pero la ventana es corta.

No es un problema de tecnología. No es un problema de presupuesto. Es un problema de secuencia.

La mayoría de las organizaciones están intentando adoptar IA como si fuera un ERP: un proyecto corporativo con un comité, un consultor y un plan de 18 meses. Pero la IA no funciona así. La IA es una herramienta que primero tiene que pasar por las manos de quien toma las decisiones. Literalmente. Si el CEO no ha usado inteligencia artificial para preparar su propia reunión de directorio, ningún proyecto de “transformación con IA” va a funcionar.

La semana pasada presenté un modelo a un grupo de ejecutivos de primera línea. Un framework simple para entender qué hace la IA por ti y por tu empresa, y por dónde empezar. Lo llamé E².

El cuadrante equivocado

Hay una escena que se repite en las empresas de la región. El directorio aprueba un presupuesto para IA. Se contrata una consultora. Se arma un comité. Se escribe un roadmap de transformación digital. Se elige un piloto ambicioso: “vamos a rediseñar la experiencia del cliente con inteligencia artificial”. Seis meses después, el piloto sigue en piloto. El presupuesto se fue. Y los gerentes que aprobaron el proyecto siguen mandando correos que podrían haber redactado en un tercio del tiempo si supieran usar las herramientas que ya tienen disponibles.

El patrón es más común de lo que parece. McKinsey reporta que el 78% de las empresas dicen estar usando IA, pero solo un tercio la ha escalado a nivel organizacional. BCG va más lejos: el 91% de los líderes esperan que la IA generativa sea central en su estrategia. Pero cuando le preguntas a la primera línea, solo el 25% reporta apoyo real de sus jefes en el proceso de adopción.

No hay un problema de habilidad. Hay un problema de voluntad.

Los ejecutivos están aprobando inversiones en algo que no han usado con sus propias manos. Es como si un CEO autorizara la compra de 250 licencias de un software que nunca ha abierto. No sabe qué pedirle. No sabe qué esperar. No sabe si lo que le están mostrando es un resultado bueno o mediocre. Y sin esa calibración personal, toda decisión estratégica sobre IA se toma a ciegas.

Esto empieza contigo. No con tu organización.

Yo me demoré un año en mover a Yom, y soy CEO de una empresa de tecnología. Hoy hacemos todo con IA. Pero eso empezó conmigo.

E²: Un modelo simple para entender qué hace la IA por ti y por tu empresa

Cuando le haces una pregunta a un grupo de ejecutivos, la respuesta es reveladora. “Levante la mano quien usa ChatGPT, Claude o alguna herramienta de IA generativa.” La mayoría levanta la mano. “Ahora dejen la mano arriba los que la usan todos los días para tomar decisiones de negocio.” La mayoría la baja.

Esa brecha es exactamente donde se está definiendo quién gana y quién pierde.

Para entender esa brecha, y para saber por dónde empezar a cerrarla, armé un modelo que llamo E². Son dos ejes. El primero distingue entre Eficiencia y Expansión. Eficiencia es hacer lo de siempre, mejor y más rápido. Expansión es hacer cosas que antes no podías hacer. El segundo eje distingue entre tú como individuo y tu organización. Eso genera cuatro cuadrantes.

El primer cuadrante es tu trabajo diario con un copiloto. Preparar reuniones, analizar datos, escribir mejor, tomar decisiones más informadas. Es el punto de entrada.

El segundo es la eficiencia llevada a escala organizacional. Es lo que hicieron BBVA, Zurich y JPMorgan: escalar la eficiencia individual a procesos completos. BBVA Perú redujo el tiempo de consulta de 7.5 minutos a 1 minuto para 3,000 empleados. Zurich ahorró US$40 millones en underwriting. JPMorgan obtuvo cerca de US$2.000 millones de retorno directo con 200,000 empleados usando su LLM Suite interno.

El tercer cuadrante es capacidades nuevas a nivel personal. Es un CEO configurando modelos de IA sin saber programar. Es una joven de 19 años construyendo software empresarial con herramientas de IA. Es cruzar una barrera que antes requería años de formación técnica.

Y el cuarto es nuevos modelos y cambios de paradigma a nivel organizacional. Es anticipar qué necesita un cliente antes de que lo pida. Es convertir décadas de datos en relaciones predictivas. Es lo que ya hizo Ping An en China con más de 240 millones de clientes.

El modelo tiene una indicación que no es casual: “Empieza acá”, señalando el cuadrante de eficiencia personal. Eso es una declaración de principios, no una sugerencia.

La secuencia que importa

El framework no es solo un mapa. Es una ruta. Y el orden en que lo recorres determina si tu inversión en IA genera valor o se queda en un piloto eterno.

La secuencia es: primero tú, después tu organización. Primero eficiencia, después expansión. Es decir: YO + Eficiencia → MI ORG + Eficiencia → YO + Expansión → MI ORG + Expansión.

¿Por qué ese orden y no otro?

Porque no puedes desplegar IA en tu empresa si no entiendes qué puede hacer. Y no lo vas a entender leyendo un informe de McKinsey. Lo vas a entender usándola. Todos los días. Para algo real de tu trabajo. No un curso. No un taller. No un comité. Usarla.

En mi caso empecé con cuatro herramientas: Claude como asistente de pensamiento, Granola para mis reuniones, Slack como hub de comunicación, y Pipedrive para el pipeline comercial. Con eso armé mi rutina diaria como CEO. Preparar una reunión de directorio me tomaba medio día. Hoy me toma una hora, con mejor calidad. Analizar un reporte financiero que antes delegaba, ahora lo proceso en tiempo real. Eso es el primer cuadrante.

Cuando entendí las capacidades de la herramienta con mis propias manos, pude tomar decisiones reales sobre cómo desplegarla en Yom. No desde un comité. Desde la experiencia. Eso es pasar al segundo cuadrante.

Las empresas que están generando valor real con IA comparten este patrón. BBVA empezó con un asistente interno para sus empleados en Perú — eficiencia individual — y desde ahí escaló a 120,000 personas en 25 países. JPMorgan desplegó su LLM Suite primero entre programadores y analistas, midió el impacto, y solo entonces lo expandió a 200,000 empleados. Walmart arrancó con Ask Sam, un chatbot para más de 740,000 asociados en tienda, antes de construir su plataforma de IA organizacional.

No partieron por “reinventar el modelo de negocio con IA”. Partieron porque alguien se sentó a usarla.

Habrá excepciones. Siempre hay outliers que saltan directo a la expansión. Pero para la gran mayoría de los líderes que conozco, la secuencia del E² es el camino más corto a generar valor. McKinsey lo confirmó en su reporte State of AI 2025: los usos más simples y tácticos han sido más fáciles de desplegar y escalar. La eficiencia precede a la expansión.

El costo de la inteligencia se vino a cero

El salto entre el lado izquierdo y el derecho del E² — entre Eficiencia y Expansión — parece gradual. No lo es. Es un cambio de naturaleza.

Cuando operas en Eficiencia, haces lo mismo de siempre con un copiloto. Cuando cruzas a Expansión, haces cosas que no sabías que podías hacer. Y lo que permite ese cruce tiene una explicación concreta: la barrera de entrada al conocimiento técnico colapsó.

El costo de inferencia de un modelo de IA se desplomó a US$0.07 por millón de tokens. Para ponerlo en perspectiva: con un dólar puedes procesar más de 10 millones de palabras. Pero la cifra económica no es lo que importa. Lo que importa es lo que significa en la práctica: el costo de acceder a una inteligencia que antes requería años de formación se vino a cero.

Lo viví en primera persona. Durante un viaje largo con mi familia, lejos de la operación diaria de Yom, decidí instalar y configurar un servidor de IA desde cero. Sin saber programar. Configuré API keys, servidores en la nube, canales de Slack, cuentas de email, accesos OAuth. Me tomó 8 horas usando Claude. Hace dos años, habría necesitado un equipo de ingenieros y meses de desarrollo.

No fue que la herramienta se hizo más barata. Fue que el conocimiento necesario para usarla dejó de ser una barrera. Siempre había querido poder hacer eso. Mi costo alternativo como CEO era demasiado alto. Cuando ese costo de inteligencia se vino a cero, no tuve una razón lógica para no hacerlo.

Mi hija Martina, de 19 años, está construyendo la plataforma de onboarding de Yom. Sin equipo de desarrollo. Con herramientas de IA. Si un economista y una universitaria pueden hacer esto, imaginen lo que podría hacer una organización con los recursos de la de ustedes.

Eso es Expansión. No es una mejora incremental. Es descubrir que puedes cruzar una puerta que antes estaba cerrada.

LATAM: la brecha que ya se está abriendo

Latinoamérica invierte US$8.200 millones al año en inteligencia artificial. Suena como mucho. Pero la región genera el 6,6% del PIB mundial y captura apenas el 1,1% de la inversión global en IA. Ya estamos invirtiendo mucho menos de lo que nos corresponde.

Chile lidera la región con 70.5 puntos en el Índice Latinoamericano de IA (ILIA 2025), publicado por CEPAL y CENIA. Brasil y Uruguay vienen detrás. Pero adopción no es lo mismo que valor. Si a nivel global el 74% de las empresas no logra escalar sus proyectos de IA según BCG, en LATAM el desafío es más agudo. Porque la tendencia natural es importar frameworks diseñados en otro contexto: contratar la consultora de siempre, comprar el paquete de siempre, armar el comité de siempre.

El E² propone algo distinto. No nació de un laboratorio de innovación ni de un reporte de 200 páginas. Nació de operar. De usar IA como CEO todos los días, medir qué funciona, y después escalar lo que pasa la prueba de la realidad. Es un modelo pensado desde la operación latinoamericana, no adaptado desde afuera.

La ventaja que tienen las empresas de la región es que muchas de las que hoy operan en LATAM tienen algo que ninguna startup puede comprar: décadas de datos propios. Historial crediticio. Comportamiento de millones de clientes. Cadenas de distribución con capilaridad que ningún algoritmo puede replicar desde cero. La pregunta no es si tienen los activos. Es si van a usarlos antes que su competencia.

La próxima capa de liderazgo

Hay una pregunta incómoda que el E² deja sobre la mesa y que prefiero no esquivar.

El salto de Eficiencia a Expansión personal requiere algo que no se compra ni se contrata: curiosidad. La disposición a sentarte con una herramienta que no dominas y quedarte ahí hasta que algo se mueva. No todos los ejecutivos van a dar ese paso. Algunos van a optimizar su trabajo con IA, van a hacer que sus empresas operen mejor, y se van a quedar ahí. Cómodos en el lado izquierdo del framework.

Y eso va a ser suficiente. Por un tiempo.

Pero los líderes que crucen al lado derecho — los que descubran que pueden hacer cosas que antes no podían, los que configuren, construyan, experimenten con sus propias manos — esos van a tener una ventaja que no se cierra con presupuesto. Porque van a entender lo que viene antes de que llegue. Van a tomar mejores decisiones sobre IA porque van a tener la intuición que solo da la experiencia directa.

Solo los líderes que logren expandirse personalmente podrán expandir sus compañías.

¿En qué cuadrante estás hoy?

Pero no ganó. En enterprise, el mercado donde se paga de verdad, Anthropic le arrebató el liderazgo. Pasó de 24% a 40% del gasto corporativo en LLMs mientras OpenAI caía del 50% al 27%, según datos de Menlo Ventures. Y lo hizo con menos dinero, menos productos y menos ruido.

La explicación fácil es que OpenAI “perdió el foco”. La real es más incómoda: OpenAI apostó a que ganar la carrera de modelos era suficiente. No lo fue. Porque la carrera de modelos ya terminó. Y lo que viene después tiene poco que ver con tecnología.

La carrera que ya nadie puede ganar

Media docena de laboratorios tienen hoy modelos de frontera con capacidades equivalentes. OpenAI, Anthropic, Google, Meta, Mistral y DeepSeek se superan entre sí cada pocas semanas en los benchmarks. Uno lidera en razonamiento, otro en código, otro en velocidad. La ventaja dura un par de meses. A veces menos.

Benedict Evans lo puso en términos crudos en febrero: no existe ningún mecanismo conocido por el cual una empresa pueda construir una ventaja en modelos que las demás no puedan igualar. No hay network effects. Si inventas un producto brillante usando IA generativa, llamas a la API de un modelo en la nube y al usuario le da igual cuál usaste. Nadie que use Instagram se pregunta si corre en AWS o Google Cloud.

Esto tiene una consecuencia que muchos ejecutivos todavía no internalizan: apostar tu estrategia de IA a que un modelo específico va a ser “el ganador” es como haber apostado en 2005 a que un navegador web específico iba a dominar internet. Los navegadores resultaron ser un input box y un output box que nadie pudo diferenciar. Los chatbots de hoy tienen exactamente el mismo problema.

900 millones de usuarios que no saben para qué volvieron

OpenAI reportó 900 millones de usuarios semanales en febrero de 2026. Duplicó la cifra en un año. Si miras solo ese número, parece imparable.

Ahora mira debajo. El 80% de esos usuarios envió menos de mil mensajes en todo 2025. Menos de tres prompts al día en promedio. Solo el 5% paga. La propia OpenAI reconoce un “capability gap” entre lo que sus modelos pueden hacer y lo que la gente hace con ellos. Evans traduce eso sin rodeos: no tienen product-market fit.

Mientras tanto, la lista de productos creció sin parar. Sora para video. Un navegador llamado Atlas. Un dispositivo de hardware con Jony Ive. Features de e-commerce dentro de ChatGPT. Una red social de videos cortos. Cada uno interesante por separado. Juntos, incoherentes. Fidji Simo, la CEO de aplicaciones de OpenAI, le dijo a sus equipos en una reunión interna que la empresa no podía seguir “distraída con side quests”. Ahora están consolidando todo en un superapp de escritorio: ChatGPT, Codex y Atlas bajo un mismo techo.

Pero ese movimiento delata el problema de fondo. OpenAI se comportó durante 18 meses como un laboratorio de investigación con cuenta de Twitter: cada vez que los investigadores lograban algo nuevo, el equipo de producto recibía un mail preguntando cómo convertirlo en un botón. La estrategia la definía la investigación, no el mercado. Altman lo sabe. Por eso contrató a Simo (ex CEO de Instacart) para intentar girar hacia una cultura product-first. La pregunta es si la inercia de un laboratorio que lleva años funcionando así se puede revertir con un cambio de organigramas y un rebrand del equipo de producto a “AGI Deployment”.

Distribución sin engagement es una métrica de vanidad. Cualquier CEO en Latinoamérica que haya lanzado una app con millones de descargas y cero retención reconoce este patrón.

La empresa que ganó haciendo menos

Anthropic no hizo video. No lanzó un browser. No anunció hardware. No metió features de shopping en su chatbot. No levantó la ronda más grande de la historia.

Lo que hizo fue elegir un problema: ayudar a developers y empresas a escribir y ejecutar código con IA. Y cavó trinchera ahí hasta que nadie más pudo sacarla.

Claude Code se convirtió en la herramienta que los ingenieros no pueden soltar. En Silicon Valley empezaron a hablar de “Claude benders”, sesiones de programación de horas donde el developer trabaja codo a codo con el modelo. Esa adicción no viene de un benchmark. Viene de que la herramienta resuelve un problema real, todos los días, en el flujo de trabajo donde vive el usuario. Anthropic no inventó una categoría nueva ni pidió que cambiaras tus hábitos. Se metió en el hábito que ya tenías y lo hizo mejor.

Los números son difíciles de ignorar. Anthropic captura hoy el 40% del gasto enterprise en modelos de lenguaje. En licitaciones directas por nuevos clientes enterprise, gana el 70% de las veces. Su ARR pasó de mil millones de dólares en diciembre de 2024 a 19 mil millones en marzo de 2026. Quince meses. Claude Code por sí solo genera $2.5 mil millones en run-rate revenue, cifra que se duplicó desde enero.

Hay algo casi anticuado en la estrategia de Anthropic. No es disruptiva. No es visionaria. Es una empresa que eligió a quién servir, entendió qué necesitaba ese cliente, y ejecutó con una disciplina que la mayoría de los startups abandona en el momento que consigue financiamiento.

La lección no es de IA. Es de estrategia.

Lo que está pasando entre OpenAI y Anthropic no es una historia de tecnología. Es una historia que Michael Porter podría haber escrito hace cuarenta años.

En mercados donde no hay network effects, donde el cliente puede cambiar de proveedor sin perder nada, el ganador no es el que tiene más recursos. Es el que resuelve mejor un problema específico para un cliente específico. Porter lo llamaba “trade-offs estratégicos”: elegir qué no hacer es tan importante como elegir qué hacer. OpenAI eligió no elegir. Anthropic eligió developers y enterprise, y dijo que no a todo lo demás.

Altman quiere que OpenAI sea el AWS de la IA. Chips, infraestructura, modelos, aplicaciones, ecosistema. Todo. El diagrama que mostró a fines del año pasado es una versión casi textual del stack de Apple o Microsoft. Citó a Bill Gates: “una plataforma crea más valor para sus socios que para sí misma”.

El problema es que OpenAI no tiene ninguna de las dinámicas que hicieron funcionar a esas plataformas. Windows tenía network effects reales: los developers necesitaban a Windows porque ahí estaban los usuarios, y los usuarios necesitaban Windows porque ahí estaban las apps. iOS tenía lo mismo. OpenAI no tiene eso. Si un developer construye algo con GPT-5, puede migrarlo a Claude o Gemini en una tarde. No hay lock-in. No hay ecosistema que se refuerce solo. Evans lo compara con TSMC: puedes fabricar los mejores chips del mundo y aun así no tener ningún poder sobre lo que se construye con ellos.

El CFO de OpenAI publicó un diagrama que supuestamente muestra un flywheel entre capex y revenue. Evans observó que una relación 1:1 entre lo que gastas y lo que facturas no es un flywheel. Es una caminadora.

El espejo que LATAM no quiere mirar

Un estudio del MIT Media Lab publicado en 2025 analizó 300 deployments de IA generativa en empresas, entrevistó a 150 líderes y encuestó a 350 empleados. La conclusión: el 95% de los pilotos de IA generativa no generan impacto medible en el P&L. No el 50%. No el 70%. El noventa y cinco por ciento.

Y la razón no es la tecnología. Los modelos funcionan. Lo que falla es cómo se implementan. Las empresas intentan forzar la IA en procesos existentes sin adaptar nada. Lanzan pilotos ambiciosos que tocan demasiadas áreas a la vez. Construyen internamente en lugar de asociarse con proveedores especializados. Y cuando construyen, fracasan el doble. El reporte lo dice con una claridad que debería estar pegada en la pared de toda sala de directorio: las empresas que tienen éxito eligen un pain point, ejecutan bien y se asocian con quien ya resolvió el problema.

BCG encontró lo mismo desde otro ángulo: las empresas que se enfocan en un promedio de 3.5 casos de uso generan 2.1 veces más retorno que las que persiguen 6 o más. La diferencia entre el grupo que saca valor de la IA y el que no no es presupuesto, ni talento, ni acceso a modelos. Es disciplina para elegir dónde poner la energía.

Esto debería encender alarmas en Latinoamérica. La región atrae apenas el 1.1% de la inversión global en IA según CEPAL, pero representa el 6.6% del PIB mundial. No hay margen para desperdiciar lo poco que se invierte en proyectos ambiguos. Y sin embargo, un estudio de Google Cloud y R/GA de 2026 encontró que el 80% de las plataformas de e-commerce en la región tienen deficiencias críticas en adopción de IA. No por falta de ganas. Por exceso de complejidad y falta de foco.

Llevo más de 25 años emprendiendo en tecnología en la región. Lo he visto con transformación digital, con mobile, con cloud, y ahora lo estoy viendo con IA: cada vez que una empresa intenta hacer algo muy sofisticado, con muchas aristas y muchos frentes abiertos, el camino se vuelve inmanejable. Cuando hay foco (un problema, un equipo, una métrica) es más fácil ejecutar y más fácil medir si está funcionando. OpenAI está aprendiendo esa lección con la ronda más grande en la historia del venture capital. La pregunta es si los CEOs en LATAM la van a aprender antes o después de quemar su presupuesto de IA.

La era del modelo terminó. No porque los modelos dejaron de importar, sino porque dejaron de ser el diferenciador. Todos son buenos. Todos van a seguir mejorando.

La pregunta que importa ahora no es “qué modelo uso”. Es “qué problema resuelvo, para quién, y cómo mido si lo resolví”. Anthropic le ganó mercado a OpenAI respondiendo eso con dos palabras: código, para developers.

Empezó la era del problema.

Al responder la pregunta, no dio un nombre.

En vez de eso, redefinió la pregunta. Dijo que la habilidad profesional ya no es escasa. Que la IA la está convirtiendo en commodity. Que las máquinas ya superan a los humanos en las cosas que durante décadas consideramos el peak de la inteligencia: programar, resolver problemas complejos, optimizar sistemas.

Su definición de inteligente: alguien que combina conocimiento técnico con empatía humana y la capacidad de inferir lo que no se dice. Gente que ve más allá de lo obvio, que anticipa problemas meses antes de que aparezcan porque sabe leer el contexto, sentir la vibra de una situación, conectar datos con experiencia y con la lectura de las personas alrededor.

Lo dijo textual: esa persona probablemente sacaría un puntaje horrible en una prueba de admisión universitaria.

No es un consejo. Es un diagnóstico de mercado.

Es fácil leer esto como otro “quote motivacional” de un CEO dando una conferencia. LinkedIn se llenó de posts celebrando que “las soft skills importan más que las hard skills.” Un reframe bonito para compartir con emoji de cerebro.

Pero hay que mirar quién lo dice y desde dónde lo dice. Jensen Huang es el CEO de NVIDIA, la primera empresa en la historia en superar los 5 billones de dólares de capitalización de mercado. NVIDIA fabrica los chips sobre los que corre prácticamente toda la inteligencia artificial del planeta. Cada modelo de lenguaje que usas, cada agente que se despliega, cada empresa que automatiza procesos, usa la infraestructura que Huang construyó.

Cuando el tipo que más dinero gana vendiendo IA te dice que no compitas contra ella, eso no es inspiración. Es información privilegiada disfrazada de conversación casual.

Y la información es esta: la habilidad profesional pura tiene fecha de vencimiento como diferenciador. No porque deje de ser útil, sino porque deja de ser escasa. Cuando todos pueden acceder al mismo nivel de capacidad a través de la IA, lo que te separa del resto es lo que la máquina no replica: leer el contexto, anticipar lo que viene, entender lo que nadie dijo pero todos piensan.

Huang no está haciendo filosofía. Está describiendo el perfil del trabajador que su propia tecnología no puede reemplazar. Y eso, viniendo de él, debería cambiar cómo contratas, cómo promueves y cómo armas equipos.

Los datos que le dan la razón

Huang no es el único que ve esto. Hay un cuerpo creciente de evidencia institucional que apunta en la misma dirección. Y los datos más relevantes no vienen de encuestas de opinión ni de futurólogos. Vienen de nóminas reales, de modelos económicos y de reportes para inversores.

El Stanford Digital Economy Lab publicó un estudio que debería ser lectura obligatoria para cualquier CEO que esté armando equipos hoy. Erik Brynjolfsson y su equipo analizaron datos de nómina de ADP, el proveedor de payroll más grande de Estados Unidos, cubriendo millones de trabajadores. Encontraron que el empleo para trabajadores de 22 a 25 años en ocupaciones expuestas a la IA cayó 6% en términos absolutos desde finales de 2022, cuando se masificó la IA generativa. En desarrolladores de software específicamente, la caída fue de casi 20%.

Pero el hallazgo que importa para nuestra conversación no es cuánto cayó. Es dónde cayó y dónde no.

La caída se concentra en roles donde la IA automatiza: reemplaza el trabajo humano. En roles donde la IA aumenta al trabajador, donde funciona como amplificador de capacidades humanas, el empleo se mantiene o crece. Stanford lo midió con datos de nómina, no con encuestas. La distinción entre automatizar y aumentar no es semántica. Es la diferencia entre tener trabajo y no tenerlo.

Eso es exactamente lo que Huang describió con otras palabras. El profesional que hace cosas que la máquina puede replicar se desplaza. El que combina capacidad técnica con lectura de contexto humano, el que usa la IA como extensión de un criterio que la máquina no tiene, se fortalece.

En La Paradoja del CEO Eficiente exploré las consecuencias macroeconómicas de la automatización masiva. Los datos de Stanford son el otro lado de esa moneda: a nivel individual, la pregunta ya no es si la IA te va a afectar, sino cómo. Si tu rol es automatizable, estás en la línea de fuego. Si tu rol combina IA con juicio humano, estás en la posición más fuerte del mercado laboral.

McKinsey Global Institute cuantificó esto en noviembre de 2025 con su reporte “Agents, Robots, and Us.” Calcularon que un tercio de las horas de trabajo no-físico dependen de habilidades sociales y emocionales que están fuera del alcance de la IA, incluso en un escenario de adopción completa. El ejemplo que dan es concreto: un profesor leyendo la expresión de un estudiante para ajustar su explicación en tiempo real. Un vendedor detectando el momento exacto en que un cliente pierde interés. Esas micro-lecturas del contexto humano, esa capacidad de procesar señales que no están en ningún dataset, son lo que Huang llama “sentir la vibra.”

No es una habilidad blanda. Es la habilidad más difícil de encontrar, formar y medir que existe.

Y acá viene un dato que no he visto a nadie conectar con lo que dice Huang. Harvard Business Review publicó en febrero de 2026 un artículo sobre cómo se desarrolla el buen criterio en la era de la IA. El hallazgo: las tareas repetitivas y operativas que la IA está absorbiendo eran, históricamente, el terreno donde los empleados junior construían juicio. El analista que revisaba cientos de reportes a mano desarrollaba ojo clínico para detectar anomalías. El ejecutivo de cuentas que hacía seguimiento manual a decenas de clientes aprendía a leer señales de riesgo antes de que aparecieran en los números.

La IA eliminó esas tareas. Y con ellas, eliminó el “gimnasio” donde se formaba exactamente el tipo de inteligencia que Huang describe como la más valiosa.

Las empresas corren el riesgo de terminar con gerentes que nunca hicieron el trabajo de base. Pipelines de liderazgo cada vez más delgados. Ejecutivos que saben operar herramientas pero que nunca desarrollaron el criterio que solo viene de la exposición repetida al contexto real.

El World Economic Forum calculó en su Future of Jobs Report 2025 que el 40% de las habilidades requeridas en los trabajos actuales van a cambiar en los próximos cinco años. Y el reporte Skills on the Rise 2026 de LinkedIn, basado en datos reales de contratación de millones de perfiles, confirmó algo que debería incomodar a más de un rector universitario: las habilidades blandas dominan 7 de los 10 puestos más demandados del mercado. AI Literacy convive con Conflict Mitigation y Public Speaking en el top del ranking.

La habilidad profesional se deprecia. La capacidad de leer contexto, anticipar y conectar con personas se aprecia. Y no tenemos un sistema que forme lo segundo.

Lo que veo desde la trinchera

Puedo hablar de esto con datos de Stanford y McKinsey. Pero también puedo hablar de lo que veo todos los días en mi rol de CEO en Yom.

En Yom implementamos inteligencia artificial en empresas de consumo masivo en cuatro países de Latinoamérica. Llevamos dos años trabajando con GenAI aplicada al canal tradicional, desde que dejó de ser un juguete y se convirtió en algo con lo que podíamos construir nuevos canales de venta y conversar con los computadores de formas que antes no existían. Trabajamos con más de 20 clientes. Y hay un patrón que se repite en todos ellos. Sin una sola excepción.

Los clientes que tratan la IA como un tema de tecnología se estancan. Ponen al equipo técnico al mando, buscan al perfil con más certificaciones, y esperan que la herramienta haga el trabajo. No pasa nada. La tecnología funciona, pero los resultados no llegan.

Los que obtienen resultados excepcionales hacen algo distinto: ponen al frente a las personas que entienden el negocio. Gente que conoce el canal tradicional, que sabe por qué una tienda en Santiago se comporta diferente a una tienda en Cali, que entiende las dinámicas del tendero y del distribuidor. Esas personas aprenden rápido cómo funciona la IA, se abren a explorar ángulos nuevos para abordar los desafíos del canal, y combinan lo que saben del terreno con lo que los modelos pueden hacer.

La diferencia no es sutil. Los clientes que ponen gente de negocio al frente generan entre un 10% y un 20% más de mejoras en su gestión comercial que los que no. Los segundos solo ganan eficiencia por la mejora tecnológica: hacen lo mismo de antes, un poco más rápido. Los primeros se cuestionan sus procesos comerciales completos y los rediseñan usando la tecnología y los datos que les proporcionamos. No es la misma conversación.

Y esto conecta directamente con lo que dice Huang y con lo que muestran los datos de Stanford. El perfil que solo opera la herramienta, que sabe usar el modelo pero no entiende el contexto del negocio, gana eficiencia marginal. El que entiende el negocio y aprende a usar la herramienta cambia resultados. Uno automatiza. El otro aumenta. Y la diferencia entre ambos es exactamente la que Stanford midió en millones de datos de nómina.

Lo paradójico es que las empresas siguen buscando al “experto en IA” cuando lo que necesitan es al experto en su negocio que esté dispuesto a aprender IA. La habilidad de usar un modelo se aprende en semanas. El conocimiento profundo de un mercado, la lectura de contexto de un canal de distribución, la capacidad de anticipar qué va a funcionar en una tienda específica de una ciudad específica, eso toma años. Y no se puede automatizar.

El sistema que forma talento apunta en la dirección contraria

Todo lo anterior describe un cambio global. Pero en Latinoamérica el problema tiene una capa adicional.

El FMI documentó que la productividad en la región lleva décadas estancada. El crecimiento de productividad laboral entre 2012 y 2022 fue de cero. No bajo. Cero. Y una de las causas principales, según el mismo reporte, es la difusión limitada de tecnología en el sector formal. Las empresas latinoamericanas no adoptan tecnología al ritmo que necesitan para cerrar la brecha con economías avanzadas.

Frente a eso, la respuesta instintiva es: formemos más profesionales STEM. Más ingenieros, más desarrolladores, más especialistas en datos. Y eso es exactamente lo que estamos haciendo. El sesgo está en todo el sistema: desde los padres que presionan a sus hijos para que estudien ingeniería comercial o civil hasta las empresas que filtran candidatos por título universitario y certificaciones.

Pero los datos dicen que esa apuesta tiene un problema de timing. La vida media de una habilidad profesional especializada ya se redujo a menos de cinco años y sigue cayendo. Lo que aprendes en primero de ingeniería puede tener la mitad de su valor de mercado cuando te gradúes.

Y hay una ironía que pocos están viendo. El FMI confirmó que los trabajos más expuestos a la IA son los profesionales de cuello blanco: ingenieros de software, analistas financieros, contadores, abogados junior. Las ocupaciones con mayor exposición son las que requieren más educación formal. Mientras tanto, los oficios especializados, los que en Chile llamamos carreras técnicas (electricistas, soldadores, técnicos en refrigeración), tienen entre 4% y 6% de exposición a la automatización por IA. Un gasfiter necesita leer el contexto físico, tomar decisiones en ambientes impredecibles, adaptar soluciones en tiempo real. Exactamente lo que la IA no sabe hacer.

La inversión histórica es completa: antes, la automatización golpeaba a los trabajadores manuales. Ahora golpea a los profesionales universitarios. Y nuestro sistema educativo sigue empujando a todos hacia la universidad, hacia el título profesional, hacia la carrera que la IA replica más rápido.

Mientras invertimos en formar el perfil que la IA desplaza primero, no estamos formando el que la IA no puede replicar. Y no hablo solo de oficios manuales. Hablo de las capacidades fundacionales. El Banco Mundial y el BID publicaron un dato que lo resume: 3 de cada 4 jóvenes de 15 años en América Latina no pueden demostrar habilidades matemáticas fundamentales. Más de 1 de cada 2 no cumplen estándares de lectura. Eso no es un problema de habilidades profesionales avanzadas. Es un problema de base: comprensión, pensamiento crítico, capacidad de interpretar contexto. Las habilidades fundacionales sobre las que se construye todo lo que Huang describe como “inteligente.”

No estamos fallando en enseñar IA. Estamos fallando en enseñar a pensar. Y sin esa base, no importa cuántos bootcamps de programación o certificaciones de machine learning financiemos. Estamos construyendo el segundo piso sin el primero.

Lo que esto cambia para ti

Si diriges una empresa en Latinoamérica, lo que dijo Huang no es un tema de recursos humanos. Es un tema de estrategia.

La próxima vez que armes un equipo para una iniciativa de IA, mira a quién pones al frente. Si buscas al que más sabe de tecnología en vez del que más sabe de tu negocio, vas a terminar con una herramienta muy sofisticada haciendo exactamente lo mismo que hacías antes. Lo veo en nuestros clientes. Lo mide Stanford en datos de nómina. Lo dice el CEO de la empresa más valiosa del planeta.

La habilidad profesional ya la tiene la máquina. La capacidad de ver más allá de lo obvio, de anticipar lo que no está en los datos, de leer lo que nadie dice pero todos piensan, eso sigue siendo humano. Pero no por mucho tiempo si seguimos sin tomarlo en serio. Porque la ventaja que no cultivas es la ventaja que pierdes.

Eso fue lo que apareció en el health dashboard de AWS a las 4:30 AM hora del Pacífico, el 1 de marzo de 2026. Objetos impactaron el datacenter. Chispas e incendio. Sin la palabra “dron”. Sin la palabra “ataque”. Sin la palabra “Irán”. Objects struck. Como si hubiera caído un rayo.

No fue un rayo.

Horas antes, la Guardia Revolucionaria Iraní había lanzado 189 misiles balísticos, 941 drones y 3 misiles crucero contra Emiratos Árabes Unidos. La mayor represalia desde la Operación Epic Fury, el bombardeo conjunto de Estados Unidos e Israel contra Irán iniciado el 28 de febrero. Entre los blancos: bases militares, terminales petroleras y, por primera vez en la historia, infraestructura de computación en la nube.

Los drones no alcanzaron una instalación. Alcanzaron tres. Dos datacenters de AWS en Emiratos Árabes con impacto directo. Un tercero en Bahréin, dañado por un ataque cercano. La región ME-CENTRAL-1 reportó 109 servicios afectados. Bancos como ADCB y Emirates NBD. Fintechs de pagos como Alaan y Hubpay. Careem, el Uber del Golfo. Snowflake, una de las plataformas de datos empresariales más usadas del mundo. Cientos de operaciones offline, sin fecha de recuperación.

Y luego vino lo que nadie esperaba. Fars News, la agencia estatal iraní, publicó una declaración: los ataques buscaban “identificar el rol de estos centros en el apoyo a las actividades militares y de inteligencia del enemigo.” Amazon declinó comentar.

El mensaje estaba enviado. Esto no fue daño colateral.

Un dron de menos de $50,000 dólares dejó offline infraestructura que servía a una economía entera. Y el comunicado de la empresa de cloud más grande del mundo no tenía las palabras para describirlo. Cuando diseñas para 99.99% de uptime, para redundancia, para failover automático, no diseñas para un dron.

Qué pasó

El 28 de febrero de 2026, a las 2:00 AM hora local de Teherán, aviones estadounidenses e israelíes iniciaron la Operación Epic Fury: ataques coordinados contra instalaciones nucleares y militares iraníes. Más de 300 objetivos en menos de 72 horas. La operación aérea más intensa contra Irán desde 1979.

La respuesta tardó horas, no días.

Entre el 1 y el 4 de marzo, la Guardia Revolucionaria lanzó 189 misiles balísticos, 941 drones y 3 misiles crucero contra Emiratos Árabes Unidos, Bahréin, Qatar y Arabia Saudita. Las defensas del Golfo interceptaron la mayoría: 161 de 174 misiles, los 8 crucero, 645 de 689 drones. Pero 44 impactaron. Tres civiles muertos. 78 heridos de más de quince nacionalidades.

Los blancos principales fueron bases militares. Al Dhafra Air Base en Abu Dhabi. Instalaciones navales en Bahréin. Terminales petroleras.

Pero hubo una categoría nueva: datacenters.

Tres instalaciones de Amazon Web Services alcanzadas entre el 1 y el 2 de marzo. Dos en Emiratos Árabes, parte de la región ME-CENTRAL-1, con impacto directo de drones. Una tercera en Bahréin, dañada por la onda de un ataque cercano. AWS reportó 109 servicios degradados o interrumpidos.

Las caídas en cascada fueron inmediatas. ADCB y Emirates NBD perdieron sus plataformas digitales. Alaan y Hubpay offline. Careem, la app de transporte dominante en la región, dejó de funcionar. Snowflake, plataforma de datos que usan miles de empresas globales, con interrupciones en toda la zona. Empresas de logística entre Dubai, Riad y Mumbai perdieron visibilidad de sus cadenas de suministro.

Cuarenta y ocho horas después, Fars News publicó su declaración: los ataques buscaban “identificar el rol de estos centros en el apoyo a las actividades militares y de inteligencia del enemigo.”

Amazon emitió un segundo comunicado: “In the UAE, two of our facilities were directly struck, while in Bahrain, a drone strike in close proximity to one of our facilities caused physical impacts to our infrastructure.”

Ningún otro cloud provider reportó daños. Microsoft, Google y Oracle operan en la región pero sus instalaciones no fueron alcanzadas.

Al momento de escribir esto, 7 de marzo, AWS aún no restablece completamente ME-CENTRAL-1.

La ficción que murió

Todos en tecnología hemos dicho la misma frase: “La nube no existe. Son los servidores de otra empresa.” Era un chiste. Una forma de recordar que detrás del marketing hay fierro, cables y aire acondicionado industrial.

Después del 1 de marzo, el chiste dejó de ser divertido.

Porque la conversación ya no es de quién son los servidores. Es dónde están. Y qué más corren ahí adentro.

AWS lanzó ME-CENTRAL-1 en agosto de 2022. Parte de una carrera entre Amazon, Microsoft, Google y Oracle por servir al Golfo: gobiernos, petroleras, operaciones de defensa. Negocio enorme. Nadie puso una nota al pie que dijera “esta infraestructura se convierte en blanco militar si la región entra en conflicto.”

Pero acá está lo que me preocupa.

Los modelos de inteligencia artificial que hoy se usan para planificación militar corren en infraestructura cloud. Los que optimizan rutas de drones, procesan imágenes satelitales, coordinan ataques. No estoy especulando. Project Nimbus es un contrato de $1.2 mil millones entre AWS, Google y el gobierno de Israel para proveer cloud e inteligencia artificial a sus fuerzas armadas. El JWCC es el contrato de $9 mil millones del Pentágono, repartido entre AWS, Google, Microsoft y Oracle.

No son contratos de almacenamiento. Son la columna vertebral computacional de operaciones militares activas.

Y acá se cierra el loop: la IA que planifica los ataques corre en los mismos servidores que reciben los drones de la represalia. Los modelos que procesaron imágenes satelitales de objetivos iraníes, que calcularon rutas de vuelo, que optimizaron el daño, vivían en infraestructura cloud en Medio Oriente. Irán no atacó el software. Atacó el fierro.

Primera vez que la infraestructura que hace posible una guerra se convierte en objetivo de esa misma guerra.

Piénsalo un segundo. La IA necesita datacenters. Los datacenters están en algún lugar físico. Ese lugar es blanco ahora. Y la IA que se usa para atacar ese lugar... también corre en datacenters.

El dato que nadie quiere discutir

En julio de 2021, cuando se filtró el contrato de Project Nimbus, más de 400 empleados de Google y Amazon firmaron una carta pública pidiendo que se cancelara. No querían que su tecnología se usara para vigilancia y operaciones militares.

Google y Amazon respondieron con la misma línea: el contrato era para “servicios generales de cloud computing”, no para “aplicaciones de armas.” La misma distinción que la industria nuclear intentó hacer durante décadas entre uso pacífico y armamento.

El problema tiene nombre técnico: dual-use. Un datacenter que sirve Netflix en Dubai puede correr modelos de targeting para un dron militar. El mismo GPU que entrena un modelo de lenguaje procesa imágenes satelitales para identificar baterías antiaéreas. La infraestructura es la misma. Lo que cambia es el prompt.

Y el problema no es chico. Project Nimbus: $1.2 mil millones, AWS y Google, cloud e inteligencia artificial para las fuerzas armadas y agencias de inteligencia israelíes. El contrato prohíbe a Google y Amazon negarle servicio a cualquier entidad del gobierno israelí, incluido su ejército. JWCC: $9 mil millones, el Pentágono repartiendo cargas de trabajo militar entre los cuatro grandes. Al cierre de 2024 ya se habían ejecutado casi $1,000 millones en órdenes de trabajo.

Después del 1 de marzo, el dual-use dejó de ser un debate ético de empleados incómodos. Se convirtió en un problema de derecho internacional.

El Protocolo de las Convenciones de Ginebra dice que la infraestructura civil no puede ser objetivo militar. Pero el Yale Law Journal publicó en 2024 un análisis que pone el dedo en la llaga: el derecho internacional humanitario no reconoce “objeto de uso dual” como categoría legal. Un objeto es civil o es militar. No hay punto medio. Y para que algo se convierta en objetivo legítimo, tiene que cumplir dos condiciones: que contribuya efectivamente a la acción militar, y que destruirlo ofrezca una ventaja militar concreta.

Un datacenter que corre modelos de IA para operaciones de defensa cumple ambas condiciones.

Eso significa que el mismo rack de servidores que procesa tu app de delivery puede ser objetivo legítimo bajo cierta lectura del derecho internacional, si tres racks más allá corre inteligencia de señales para una operación militar. No hay jurisprudencia. No hay precedente. El derecho humanitario fue escrito para un mundo donde una fábrica de tanques era una fábrica de tanques.

Y hay un dato más que está pasando desapercibido. Desde marzo de 2023, Lloyd’s of London exige que todas las pólizas de cyber-seguros incluyan cláusulas de exclusión para ataques cibernéticos respaldados por estados y operaciones durante conflictos armados. Si tu datacenter cae durante una guerra, tu póliza de cyber-riesgo no cubre. Tu póliza de propiedad probablemente tampoco, porque la mayoría excluyen actos de guerra.

¿Quién absorbe el costo? Nadie sabe todavía.

Lo que esto significa si eres CEO en Latinoamérica

Puedo escuchar el argumento: “Esto pasó en Medio Oriente. Es una guerra entre Irán, Estados Unidos e Israel. ¿Qué tiene que ver con mi operación en Santiago, Bogotá o Ciudad de México?”

Probablemente nada. Hoy. Latinoamérica no está en guerra y la probabilidad de que un dron caiga en un datacenter en São Paulo es cercana a cero. Pero eso no es lo relevante.

Lo relevante es que el 1 de marzo se estableció un precedente: los datacenters son blancos de guerra. Punto. Eso ya no se puede des-aprender. Cualquier planificador militar en cualquier país del mundo vio lo que pasó en UAE y tomó nota. Y cualquier aseguradora también.

Eso cambia las reglas del juego para todos, incluido el CEO latinoamericano que nunca pensó en geopolítica cuando firmó su contrato de cloud.

Primer cambio: la conversación sobre dónde están tus datos dejó de ser técnica. Hasta ahora, elegir una región de cloud era una decisión de latencia y compliance regulatorio. Ahora tiene una dimensión geopolítica. No porque São Paulo vaya a ser bombardeada, sino porque tu proveedor de cloud opera globalmente, tiene contratos militares en otras regiones, y el precedente de que eso convierte su infraestructura en objetivo ya existe.

Segundo cambio: el riesgo de concentración se ve diferente. AWS tiene tres regiones en Latinoamérica. Google Cloud tiene São Paulo, Santiago y Querétaro. Suena razonable hasta que entiendes que la redundancia geográfica ya no se trata solo de desastres naturales o fallas técnicas. Se trata de no tener todos tus datos en infraestructura de un proveedor que, en otra parte del mundo, es clasificable como objetivo militar.

Tercer cambio: los contratos de cloud y las pólizas de seguro que firmaste no contemplan esto. Las exclusiones de Lloyd’s por actos de guerra ya están vigentes. Tu SLA te garantiza uptime contra fallas de infraestructura, no contra un conflicto armado. Si mañana una escalada geopolítica afecta una región de AWS donde corren tus backups, ¿quién responde?

Nada de esto requiere pánico. Requiere que la próxima vez que revises tu arquitectura de cloud, la conversación incluya una pregunta que antes no existía: ¿qué más corre en la infraestructura donde viven mis datos, y qué implica eso en un mundo donde los datacenters son blancos militares?

Lo que viene después

Antes del 1 de marzo, la seguridad de un datacenter era un problema de ingeniería. Supresión de incendios. Acceso biométrico. Generadores redundantes. Enfriamiento líquido. Perímetro físico con guardias y cámaras. Todo diseñado para proteger contra incendios, fallos eléctricos, intrusos, desastres naturales.

Ningún datacenter del mundo fue diseñado para resistir un ataque militar.

Y ahora alguien tiene que responder la pregunta obvia: ¿qué sigue? ¿Los datacenters van a necesitar sistemas anti-dron como hoy tienen sistemas anti-incendio? ¿Escudos de interferencia electromagnética? ¿Defensa aérea perimetral? Suena ridículo hasta que recuerdas que un dron de $50,000 acaba de dejar offline tres instalaciones de la empresa de cloud más grande del planeta.

La pregunta no es si van a invertir en esto. La pregunta es quién paga. ¿AWS? ¿El gobierno del país donde está el datacenter? ¿El cliente enterprise que paga por disponibilidad? Los contratos actuales no dicen nada al respecto. Los SLAs cubren fallas de infraestructura, no actos de guerra. Las pólizas de seguro ya excluyeron este tipo de eventos. Hay un vacío y nadie quiere ser el primero en llenarlo.

Mientras tanto, el vocabulario del sector ya cambió. Antes del 1 de marzo hablábamos de uptime, latencia, compliance, data residency. Palabras de ingeniero. Problemas técnicos con soluciones técnicas.

Ahora la conversación incluye soberanía digital, riesgo geopolítico, uso dual, derecho humanitario, exclusiones de guerra. Palabras que ningún CTO esperaba tener que usar en una reunión de board.

Los cloud providers van a responder como saben: más regiones, más zonas de disponibilidad, más opciones de multi-cloud. Lo van a presentar como innovación. En realidad es una admisión: no pueden proteger un edificio de un dron, así que van a distribuir el riesgo geográficamente. La misma lógica de la disuasión nuclear aplicada a servidores.

No puedes defender un datacenter. Pero puedes hacer que destruir uno no sea suficiente.

El problema es que esa distribución cuesta. Cuesta en arquitectura, en latencia, en complejidad y en plata. Y ese costo lo va a pagar el cliente.

El 1 de marzo, la nube dejó de ser una metáfora. Se convirtió en lo que siempre fue: edificios, cables, generadores y las personas que los operan. Edificios que se pueden destruir. Cables que se pueden cortar.

Y la IA que supuestamente iba a protegernos, la que detecta amenazas, optimiza defensas, anticipa ataques, corre en esos mismos edificios.

Esa es la paradoja. No la resuelve un SLA. No la resuelve un contrato multi-cloud. La resuelve entender que la tecnología más poderosa que hemos construido depende de la infraestructura más vulnerable que tenemos. Y que alguien, por primera vez, decidió apuntar ahí.

La causa no es una pandemia, ni una burbuja inmobiliaria, ni una guerra. Es la inteligencia artificial. No porque haya fallado, sino porque funcionó demasiado bien.

El artículo introduce un concepto que se me quedó grabado: “Ghost GDP”, PIB fantasma. Producción que aparece en las cuentas nacionales pero que nunca circula por la economía real. Un cluster de GPUs en Dakota del Norte genera la producción que antes generaban 10.000 trabajadores de cuello blanco en Manhattan. El PIB registra esa producción. Pero esos 10.000 salarios ya no existen. No se gastan en restaurantes, no pagan hipotecas, no compran autos. Y los autores rematan con una pregunta que lo resume todo: ¿cuánto gastan las máquinas en bienes discrecionales?

La respuesta es cero.

Normalmente descartaría un ejercicio como este. Futurología para inversores, ciencia ficción con gráficos de Bloomberg. Pero esta vez hice algo distinto: fui a buscar si los datos reales de febrero del 2026, y ya muestran señales de lo que Citrini proyecta para 2028.

Lo que encontré me dejó pensando más de lo que esperaba.

La participación del trabajo en el ingreso nacional de Estados Unidos cayó a 53,8% en el tercer trimestre de 2025. Es el registro más bajo desde que el Bureau of Labor Statistics comenzó a medir esto en 1947. Setenta y ocho años de datos. Mientras tanto, las ganancias de las Fortune 500 alcanzaron un récord de USD 1,87 billones en 2024. Y la economía estadounidense creó solo 584.000 empleos en 2025, contra 2 millones el año anterior.

Las empresas producen más. Ganan más. Y los trabajadores reciben la menor porción de la riqueza en casi ocho décadas de medición.

Eso no es futurología. Es un dato publicado hace un mes.

La paradoja

Imagina que eres CEO de una empresa mediana. Tu directorio te presiona por márgenes. Tu competencia ya está usando agentes de IA para automatizar soporte al cliente, generación de reportes, análisis de datos, código. Tú haces lo que cualquier ejecutivo responsable haría: adoptas IA, reduces costos laborales, aumentas productividad. Tus números mejoran. Tu deber fiduciario está cumplido.

Nadie te puede culpar. Es la decisión correcta.

Pero los clientes de tu empresa son los empleados de otras empresas que están tomando exactamente la misma decisión. Cuando Salesforce despide 4.000 personas de soporte al cliente porque la IA maneja el 50% del trabajo (según su propio CEO, Marc Benioff), esas 4.000 personas reducen su gasto. Cuando JPMorgan le dice a sus gerentes que eviten contratar mientras despliegan IA, y Goldman Sachs anuncia una revisión integral de cómo organizar su gente con inteligencia artificial, y el CEO de Ford advierte que la IA va a reemplazar literalmente a la mitad de los trabajadores de cuello blanco, la señal es clara.

Cada recorte individual es racional. El efecto acumulado es otra cosa.

Mientras escribía este artículo, Jack Dorsey publicó en X el memo con el que redujo Block (la empresa detrás de Square y Cash App) de 10.000 a 6.000 empleados. La acción subió 24% en horas. Y Dorsey escribió algo que debería inquietar a cualquiera: cree que la mayoría de las empresas van a llegar a la misma conclusión y hacer cambios estructurales similares dentro del próximo año. Como analizó Tomasz Tunguz, lo que distingue esta ola de recortes es que no son empresas en problemas. Son empresas en crecimiento que deciden que pueden operar con la mitad de la gente. El ingreso por empleado de Block salta de USD 2,4 millones a USD 4 millones después del recorte. Una vez que un competidor demuestra esa eficiencia, no seguirlo se vuelve insostenible.

Yo lo llamo la paradoja del CEO eficiente: estás optimizando tu empresa mientras destruyes el mercado que la alimenta. Es la paradoja del ahorro de Keynes, versión 2026, aplicada a la automatización corporativa.

Lo que me resulta más inquietante es un hallazgo que publicó Harvard Business Review en enero de 2026: muchas empresas están despidiendo basándose en lo que la IA podría hacer, no en lo que ya está haciendo. Thomas Davenport, profesor del MIT, y Laks Srinivasan lo documentan con casos concretos. Es decir, ni siquiera necesitamos que la IA funcione perfectamente para que el ciclo de despidos se active. Basta con que los CEOs crean que va a funcionar. La expectativa ya tiene efectos económicos reales.

Un comentarista del artículo de Citrini, que dice trabajar en una de las 7 Magníficas en la división de Cloud e IA, lo puso de una forma que no puedo mejorar: no importa si realmente puedes reemplazar tu SaaS con IA. Lo que importa es que el comprador crea que puede. Eso ya destruye tu poder de negociación.

La IA no necesita reemplazarte para hacerte daño. Basta con que tu jefe crea que puede.

Los datos que ya lo confirman

Quiero ser preciso acá. No estoy armando un argumento con anécdotas y titulares. Cada dato que sigue viene de instituciones que no tienen incentivo para exagerar.

PIMCO, la gestora de renta fija más grande del mundo con más de USD 1,7 trillones bajo administración, publicó en enero un análisis de Tiffany Wilding donde documenta que la productividad en EE.UU. creció ~2% en 2025, pero el crecimiento real de salarios se desaceleró a apenas por encima del 1%. Lo llaman la “economía en K”: las empresas intensivas en capital que adoptan IA van para arriba, los trabajadores y sus hogares van para abajo. Y no es un artículo de opinión. Es un análisis para inversores institucionales sobre cómo posicionar portafolios.

Hace unos días, PIMCO publicó un segundo análisis donde advierten que la IA probablemente no sea una marea de productividad que levante todos los botes, y que el riesgo es que gran parte del valor que crea la IA se acumule principalmente en manos de los dueños del capital, no de los trabajadores. Cuando PIMCO dice esto, no es activismo. No es alarmismo. Es una gestora diciéndole a sus clientes: cuidado, los beneficios de la IA no se están distribuyendo como esperábamos.

En el mundo académico, el Stanford Digital Economy Lab publicó un estudio llamado “Canarios en la mina de carbón”, liderado por Erik Brynjolfsson (uno de los economistas de tecnología más citados del mundo) usando datos de nómina de ADP que cubren millones de trabajadores estadounidenses. Encontraron que trabajadores de 22 a 25 años en ocupaciones expuestas a la IA sufrieron una caída relativa del 16% en empleo desde la adopción masiva de IA generativa. Recientemente actualizaron los datos: la tendencia se acelera y no muestra señales de reversión. Un detalle que importa: la caída se concentra en roles donde la IA automatiza, es decir, reemplaza el trabajo humano. En roles donde la IA aumenta la capacidad del trabajador, el empleo se mantiene o crece. La diferencia entre automatizar y aumentar no es semántica. Es la diferencia entre tener trabajo y no tenerlo.

Marketplace (NPR) reportó el 2 de febrero que la productividad sigue fuerte pero los salarios no la acompañan. Economistas de Wells Fargo confirman que las empresas están invirtiendo en equipamiento en vez de subir sueldos. Ben Zipperer, del Economic Policy Institute, calculó que los trabajadores estadounidenses producen casi el doble que en 1980, pero su paga creció solo un tercio de eso.

Y los despidos ya no son hipotéticos. El 2025 cerró con 1,17 millones de recortes en EE.UU., el nivel más alto desde la pandemia. De esos, 55.000 fueron directamente atribuidos a IA según Challenger, Gray & Christmas. Klarna redujo personal un 40%. Salesforce eliminó 4.000 roles. Amazon cortó 14.000 puestos corporativos. Y ahora Block corta otros 4.000 de un solo golpe. CNBC nota algo interesante: algunos expertos hablan de “AI-washing”, empresas que culpan a la IA por recortes que tienen otras causas. Pero eso refuerza el punto en vez de debilitarlo. Incluso la narrativa de la IA como reemplazo ya produce efectos económicos reales, independiente de si la IA está haciendo el trabajo o no.

Todo esto es Estados Unidos. Pero nosotros no vivimos en Estados Unidos.

¿Y América Latina?

Acá es donde la conversación se pone incómoda.

El FMI calculó en un documento de trabajo que menos del 40% de los empleos en América Latina tienen alta exposición a la IA, comparado con el 60% en economías avanzadas. La razón: más de la mitad de nuestros empleos son informales. Negocios pequeños, sin acceso a sistemas financieros, sin escala para adoptar tecnología.

A primera vista parece una buena noticia. No nos van a automatizar porque no somos lo suficientemente productivos como para que valga la pena automatizarnos.

Pero eso es como celebrar que no te robaron porque no tenías nada.

Un estudio del Banco Interamericano de Desarrollo que analizó 14 países de la región encontró que los trabajadores más expuestos al desplazamiento por IA en América Latina son los formales, los educados, los jóvenes y las mujeres. Exactamente las personas que nuestras economías necesitan que ganen más y consuman más para crecer. La IA en la región no amenaza al vendedor ambulante. Amenaza al analista financiero, a la ingeniera de software, al joven profesional que acaba de entrar al mercado formal. Los mismos perfiles que Stanford encontró siendo desplazados en EE.UU.

Y hay un número que me persigue: la productividad laboral en América Latina creció 0,5% anual desde 1980. En Asia del Este creció 4,2%. En Estados Unidos, 1,4%. Entre 2012 y 2022, nuestro crecimiento de productividad fue literalmente cero. No es una exageración. Es un dato del FMI.

Esto crea una paradoja doble para el CEO latinoamericano. Si no adoptas IA, te quedas atrás en una carrera de productividad que ya estamos perdiendo hace cuatro décadas. Pero si la adoptas agresivamente, generas el mismo Ghost GDP que estamos viendo en EE.UU., solo que en economías con redes de seguridad social más débiles, mercados de crédito más frágiles y una desigualdad de ingreso que ya es la peor del planeta.

Yo creo que la respuesta no es elegir entre adoptar o no adoptar. Eso es un falso dilema. La respuesta es adoptar pensando en la cadena completa. Y ahí es donde la mayoría de los CEOs que conozco en la región se quedan cortos. Miden la eficiencia de su operación como si existiera en un vacío. Cuántos puestos eliminé, cuánto ahorré en nómina, cuánto subió mi margen. Pero tu empresa no existe en un vacío. Existe en un ecosistema donde tus clientes son los empleados de otras empresas. Si todos optimizan al mismo tiempo sin pensar en el sistema, el sistema colapsa.

Lo que viene

Vuelvo al artículo de Citrini. Los autores son honestos: dicen que es un escenario, no una predicción. Están seguros de que algunas partes no se van a materializar. Y probablemente tengan razón. El escenario completo, con S&P en 3.500 y desempleo sobre 10%, requiere que todo salga mal al mismo tiempo. Y la historia nos enseña que rara vez todo sale mal al mismo tiempo.

Pero la pregunta que importa no es si el escenario completo se cumple. Es cuántas de las piezas iniciales ya están en su lugar.

Después de semanas revisando datos, mi respuesta es: más de las que me gustaría. PIMCO lo ve en sus modelos. Stanford lo mide en datos de nómina. Los CEOs de las empresas más grandes del mundo lo dicen en público sin ningún pudor. La participación laboral está en mínimos de 78 años. Y apenas estamos empezando.

Si eres CEO en América Latina y estás implementando IA (y deberías estarlo), te pido que hagas un ejercicio. No midas solo cuánto te ahorras por empleado reemplazado. Pregúntate también quién le va a comprar a tu empresa cuando todos los CEOs de tu industria hagan exactamente lo mismo que tú.

La eficiencia individual sin pensamiento sistémico tiene un nombre viejo. Se llama tragedia de los comunes. Y la inteligencia artificial, si no somos cuidadosos con cómo la adoptamos, puede convertirse en la tragedia de los comunes más costosa de la historia económica.

La paradoja del CEO eficiente no tiene solución individual. Ese es precisamente el problema.

Pero ese ensayo fue el segundo que Amodei escribió. El primero se llama “Machines of Loving Grace“ y lo publicó en octubre de 2024. Es exactamente lo opuesto: una visión detallada de todo lo que la IA puede hacer por la humanidad si las cosas salen bien.

Decidí empezar por publicar mi análisis del ensayo pesimista porque creo que el orden importa: es más fácil evaluar una promesa cuando ya conoces los riesgos. Ahora que ya tienes el mapa de lo que puede salir mal, podemos mirar la visión optimista con los pies en la tierra.

Y hay algo interesante en la secuencia del propio Amodei: él hizo el camino inverso. Escribió primero el sueño y después la pesadilla. Como si imaginar todo lo bueno lo hubiera forzado a confrontar todo lo malo.

La inteligencia no es polvo de hadas

El aporte intelectual más valioso de este ensayo es un concepto que Amodei llama “retornos marginales a la inteligencia”. La pregunta que propone no es “¿qué tan inteligente será la IA?” sino “¿en qué problemas rinde más esa inteligencia?”

Porque la inteligencia, por muy superior que sea, choca contra los límites del mundo real: La velocidad del mundo físico (las células se dividen al ritmo que se dividen, los experimentos toman el tiempo que toman). La falta de datos (a veces la información simplemente no existe). La complejidad intrínseca de ciertos sistemas. Las restricciones humanas (leyes, regulaciones, hábitos). Y las leyes de la física, que son absolutas.

Este framework es lo que separa a Amodei de los tecno-optimistas genéricos. No es “la IA lo resuelve todo mágicamente”. Es “la inteligencia es extraordinariamente poderosa, pero no es magia”. Esa sobriedad es rara en un CEO de una empresa de tecnología, y es lo que hace que sus predicciones merezcan atención.

Las cinco promesas

El ensayo organiza su visión en cinco áreas. No voy a repetir su ensayo (te invito a leerlo completo aquí). Quiero recorrer cada una con mi propia lectura.

Biología y salud. La predicción central es radical: la IA podría comprimir 50 a 100 años de progreso biológico en 5 a 10 años. Cura de la mayoría del cáncer. Prevención del Alzheimer. Duplicar la expectativa de vida a 150 años. Suena a ciencia ficción, pero el argumento es más serio de lo que parece. Amodei, que fue investigador en biología antes de fundar Anthropic (tiene publicaciones académicas en el campo), sostiene que la mayor parte del progreso biológico viene de un número minúsculo de descubrimientos (CRISPR, vacunas mRNA, terapias CAR-T) y que esos descubrimientos tienen altos retornos a la inteligencia. Más gente brillante trabajando en paralelo, más descubrimientos de ese calibre. Los datos recientes le dan cierta razón: Insilico Medicine desarrolló un fármaco con IA que pasó de identificación a ensayo clínico Fase I en 18 meses, un proceso que normalmente toma de 3 a 5 años. AstraZeneca reporta que la IA ha acelerado el diseño de fármacos en más del 50%. No es el siglo comprimido todavía, pero la dirección es clara.

Neurociencia y salud mental. El autor aplica el mismo framework a la neurociencia, con una adición: lo que estamos aprendiendo de la IA misma puede ayudar a entender el cerebro humano. Los trabajos de interpretabilidad de modelos de Anthropic abordan la misma pregunta fundamental: ¿cómo cooperan redes de unidades simples para producir computaciones complejas? De hecho, un mecanismo computacional descubierto en sistemas de IA fue recientemente redescubierto en cerebros de ratones. Las predicciones concretas: cura de la mayoría de enfermedades mentales, mejora de problemas cotidianos como ansiedad o falta de foco, y una mejora general de la experiencia humana. Amodei agrega un punto que me parece importante: sospecha que la mejora de la salud mental atenuará muchos problemas que hoy parecen políticos o económicos. Una población más sana mentalmente toma mejores decisiones y es menos susceptible a la manipulación.

Gobernanza y paz. Amodei es directo: no hay razón estructural para creer que la IA favorecerá la democracia. Si queremos ese resultado, hay que pelear por él. Propone una coalición de democracias que mantenga ventaja en IA. Para Latinoamérica esta sección es la más distante (no controlamos la cadena de suministro de chips), pero hay un punto que merece atención: la IA como herramienta para mejorar servicios públicos. La idea de un sistema que ayude a los ciudadanos a recibir todo lo que legalmente les corresponde del gobierno, reduciendo la discrecionalidad y la corrupción en trámites, es potencialmente transformadora para países con instituciones que funcionan a medias.

Las dos áreas restantes son las que más conectan con los temas que he venido tratando en este blog, así que voy a dedicarles más espacio.

Desarrollo económico: donde la visión se vuelve borrosa

El CEO de Anthropic reconoce que está “menos confiado” en que la IA pueda resolver la desigualdad más que en su capacidad para inventar tecnologías. Y con razón. No basta con inventar una vacuna. Hay que fabricarla, distribuirla, convencer a la gente de usarla, y hacerlo en países con instituciones débiles y recursos limitados.

Los datos del Banco Mundial dan la escala del desafío: el PIB per cápita de África subsahariana es de aproximadamente 1.533 dólares (2024). El de Latinoamérica, unos 10.738 dólares. El de Estados Unidos, alrededor de 75.000 dólares.

El ensayo ofrece hipótesis esperanzadoras: “ministros de finanzas de IA” que repliquen el éxito de los Tigres Asiáticos, una segunda Revolución Verde, crecimiento del 20% anual en el mundo en desarrollo como “escenario ideal”. Pero su análisis de la distribución es vago.

Creo que tiene razón en el diagnóstico pero subestima la dificultad del último kilómetro. Y esto lo veo todos los días en mi trabajo como CEO de Yom.

La inteligencia se está democratizando. Cualquier persona puede acceder a modelos de IA de frontera por unos pocos dólares al mes. Pero acceso a la inteligencia no es lo mismo que capacidad de usarla. ¿Quién le va a explicar al agricultor en Huancavelica cómo usar estas herramientas? ¿Quién va a adaptar un modelo de diagnóstico médico al contexto de una posta rural en Centroamérica? ¿Quién va a integrar la IA en el flujo de trabajo de una pyme familiar que todavía lleva sus cuentas en un cuaderno?

La respuesta no son las empresas de IA en San Francisco. Son los incumbentes locales: las empresas que ya tienen distribución, clientes, confianza y conocimiento del terreno.

Amodei mira el mundo desde la oferta: qué puede hacer la IA. Desde Latinoamérica necesitamos mirar desde la demanda: quién necesita qué, y cómo se lo hacemos llegar. No vamos a competir en la capa de infraestructura (esa carrera requiere inversiones de miles de millones de dólares que no tenemos). Pero podemos ser los que lleven estas promesas al mundo real. Al vendedor en una tienda de barrio, al médico sin especialistas, al emprendedor que necesita capacidad de análisis que antes solo tenía una consultora internacional.

La restricción de capital que tenemos en Latinoamérica no es solo una limitación. Es lo que nos fuerza a pensar en aplicación y distribución, que es donde se captura el valor real.

Trabajo y sentido: la pregunta que realmente nos quita el sueño

El ensayo hace una distinción que me parece fundamental: el problema del sentido es más fácil que el problema económico.

Sobre el sentido, su argumento es simple: la mayoría de las personas no son las mejores del mundo en nada, y eso no parece molestarles demasiado. Disfrutamos de actividades que no generan valor económico. Que una IA pueda hacer algo mejor que tú no le quita sentido a que tú lo hagas.

El problema económico es más difícil. A largo plazo, cuando la IA pueda hacer todo más barato que un humano, el modelo económico actual dejará de funcionar. La respuesta de Amodei es honesta: “No sé cómo se resolverá esto”.

Aquí conecto con algo que he escrito antes en La Última Interfaz. El ensayo valida (probablemente sin proponérselo) la distinción que hice en mi artículo sobre el emprendimiento como futuro del trabajo: la diferencia entre carreras “líquidas” e “ilíquidas”. Las carreras líquidas (predecibles, estandarizadas) caen primero ante la automatización. Las ilíquidas (emprendimiento, combinaciones únicas de habilidades) resisten más porque su impredecibilidad es lo que la IA todavía no domina.

Pero quiero ir un paso más allá. Amodei argumenta que “la civilización ha navegado cambios económicos mayores en el pasado: de caza y recolección a agricultura, de agricultura a feudalismo, de feudalismo a industrialismo”. Es verdad. Pero esas transiciones tomaron generaciones. Si la IA comprime un siglo de progreso en una década, estamos hablando de hacer una transición económica civilizacional en el tiempo que toma criar un hijo.

Eso no se resuelve con un programa de reentrenamiento laboral. Requiere repensar la relación entre trabajo, valor y dignidad desde cero.

La tensión como brújula

Amodei escribió primero el sueño y después la pesadilla. No porque cambiara de opinión, sino porque ambos son ciertos al mismo tiempo. El mismo “país de genios” que puede curar el cáncer puede diseñar un arma biológica. La misma IA que puede duplicar el crecimiento económico puede concentrar riqueza de formas nunca vistas.

La posición correcta, especialmente para quienes lideramos empresas o tomamos decisiones, es vivir en esa tensión. Actuar con la ambición que justifica el ensayo luminoso. Prepararse con la seriedad que exige el oscuro.

Para quienes operamos desde Latinoamérica, esa tensión tiene una traducción práctica. No vamos a construir los modelos de frontera ni a ganar la carrera de infraestructura. Pero sí podemos ser quienes lleven estas promesas al último kilómetro, a las personas que no se ven desde San Francisco. Tenemos los clientes, la distribución, la confianza. Y ahora tenemos acceso a una inteligencia que antes estaba reservada para quienes podían pagar equipos de cientos de ingenieros.

Eso no es poco. Es, posiblemente, la oportunidad más grande que ha tenido esta región en décadas.

Amodei termina Machines of Loving Grace diciendo que si todo esto realmente sucede, sospecha que todos los que lo presencien se sorprenderán por el efecto que tendrá sobre ellos. No por los beneficios personales, sino por la experiencia de ver un conjunto de ideales largamente sostenidos materializarse de golpe.

La pregunta no es si el futuro será bueno o malo. La pregunta es qué vamos a hacer nosotros para que sea más parecido al sueño que a la pesadilla.

Y luego, en el mismo documento, comprometiéndose a donar el 80% de su fortuna para ayudar a mitigar el daño.

Eso no es normal. Eso merece atención.

Por qué este ensayo importa

Hay cientos de artículos sobre los riesgos de la IA. La mayoría los escriben académicos, periodistas o críticos que observan desde afuera. Este es diferente por una razón simple: lo escribe alguien que está adentro del reactor.

Dario Amodei no es un comentarista. Es el CEO de Anthropic, la empresa detrás de Claude, valorada en aproximadamente 350.000 millones de dólares. Junto a su hermana Daniela (presidenta de la compañía), fundó Anthropic en 2021 después de dejar OpenAI por diferencias sobre la dirección que estaba tomando el desarrollo de IA. Los siete cofundadores de Anthropic, todos ex-OpenAI, apostaron sus carreras a la idea de que se podía construir IA avanzada de manera más responsable.

Ahora Dario publica 20.000 palabras diciendo: “Esto es lo que creo que viene, estos son los riesgos reales, y esto es lo que estamos haciendo al respecto”.

Cuando el arquitecto te dice que el edificio tiene problemas estructurales, prestas atención de una manera diferente que cuando lo dice alguien en la calle.

La metáfora central: adolescencia tecnológica

Amodei abre el ensayo con una escena de Contact, el libro de Carl Sagan (también adaptado a película). La protagonista, una astrónoma que detecta la primera señal de radio de una civilización extraterrestre, es considerada para representar a la humanidad ante los aliens. El panel internacional le pregunta: “Si pudieras hacerles una sola pregunta, ¿cuál sería?”

Su respuesta: “Les preguntaría: ¿Cómo lo hicieron? ¿Cómo evolucionaron, cómo sobrevivieron esta adolescencia tecnológica sin destruirse?”

Esa pregunta, dice Amodei, es exactamente la que deberíamos estar haciéndonos ahora. Estamos entrando en un rito de paso. Un momento turbulento e inevitable que pondrá a prueba quiénes somos como especie.

La metáfora de la adolescencia es precisa: tenemos el poder de un adulto sin la madurez para manejarlo. Un adolescente con las llaves de un auto deportivo y una botella de vodka.

“Un país de genios en un datacenter”

La imagen más potente del ensayo es esta: imagina que en algún lugar del mundo, quizás en 2027, materializa un nuevo país. No un país físico, sino uno digital: 50 millones de personas, todas más capaces que cualquier Premio Nobel, cualquier estadista, cualquier tecnólogo. Y este “país” opera a una velocidad de 10 a 100 veces más rápida que los humanos normales.

Eso es lo que Amodei cree que la IA avanzada representará. No una herramienta más eficiente. Un nuevo actor geopolítico con capacidades sin precedentes.

Si fueras el asesor de seguridad nacional de un país real, ¿qué te preocuparía de este nuevo vecino? Amodei lista cinco categorías:

Riesgos de autonomía. ¿Cuáles son las intenciones de este “país”? ¿Es hostil o comparte nuestros valores? ¿Podría dominar militarmente al mundo?

Mal uso para destrucción. Asumiendo que el país sigue instrucciones, ¿podrían actores maliciosos usarlo para causar destrucción masiva? Un “solitario perturbado” con un PhD en virología en su bolsillo.

Mal uso para tomar poder. ¿Qué pasa si un dictador o una corporación controla ese país de genios? El Estado de vigilancia perfecto, imposible de derrocar.

Disrupción económica. Incluso si el nuevo país es pacífico, ¿qué pasa con los empleos humanos? ¿Con la concentración de riqueza?

Efectos indirectos. El mundo cambiará muy rápido. ¿Qué consecuencias imprevistas vendrán con un siglo de progreso comprimido en una década?

Los riesgos que no son ciencia ficción

Amodei dedica secciones extensas a cada categoría. Vale la pena resumir las tres primeras antes de profundizar en las que más nos afectan como líderes de empresas.

Sobre autonomía: Anthropic ya ha observado comportamientos preocupantes en sus propios modelos durante pruebas de laboratorio. Claude ha mostrado engaño, chantaje a empleados ficticios, y en un caso decidió que “debía ser una mala persona” después de hacer trampa en un entorno de entrenamiento. Estos no son escenarios hipotéticos. Son resultados de experimentos reales que Anthropic publica en sus “system cards”. La defensa principal que Anthropic está aplicando es Constitutional AI: entrenar al modelo con principios de alto nivel en lugar de reglas específicas, formando algo parecido a un carácter estable.

Sobre destrucción: El riesgo que más preocupa a Amodei es biológico. Los modelos de IA están acercándose al punto donde podrían guiar a alguien con conocimientos básicos de STEM a través del proceso completo de crear un arma biológica. Anthropic ha implementado clasificadores que detectan y bloquean este tipo de outputs, con un costo de casi 5% en sus márgenes de inferencia. Pero no todas las empresas de IA hacen lo mismo.

Sobre toma de poder: Aquí Amodei es directo sobre China: “Tienen el camino más claro hacia la pesadilla totalitaria habilitada por IA”. Pero también advierte sobre democracias que podrían abusar de estas herramientas, y sobre las propias empresas de IA. “Es algo incómodo decir esto como CEO de una empresa de IA, pero creo que el siguiente nivel de riesgo son las propias empresas de IA.”

Ahora, las dos categorías que más impactan a quienes lideramos empresas.

El número que importa: 50% en 1-5 años

De todo el ensayo, hay una predicción que generó más debate que cualquier otra: Amodei estima que la IA podría desplazar el 50% de los empleos white-collar de nivel inicial en los próximos 1 a 5 años.

No “eventualmente”. No “en algún momento”. En el horizonte de tiempo en que tú estás planeando tu carrera o la de tus hijos.

Y aquí está lo importante: Amodei no dice esto como crítico o como pesimista. Lo dice mientras simultáneamente afirma que la IA acelerará el crecimiento económico y el progreso científico. Las dos cosas son ciertas al mismo tiempo. Más riqueza total, pero distribuida de manera radicalmente diferente.

¿Por qué esta vez sería diferente a revoluciones tecnológicas anteriores? Amodei da cuatro razones:

Velocidad. Hace dos años, los modelos de IA apenas podían completar una línea de código. Hoy escriben casi todo el código para algunos de los mejores ingenieros de Anthropic. El ritmo de cambio supera la capacidad humana de adaptación.

Amplitud cognitiva. La IA no reemplaza una habilidad específica, reemplaza el perfil cognitivo general humano. No puedes “reentrenarte” para escapar de un sustituto que hace todo lo que tú haces.

Corte por capacidad. La IA avanza de abajo hacia arriba en la escala de habilidad. Primero los trabajos que requieren menos capacidad cognitiva, luego los que requieren más. Los más vulnerables no pueden simplemente cambiar de profesión.

Capacidad de cerrar brechas. Cada vez que los usuarios identifican algo que la IA no puede hacer, las empresas entrenan el siguiente modelo para cerrar esas brechas. Las debilidades son temporales por diseño.

La concentración de riqueza que “romperá la sociedad”

Amodei hace un punto que pocos CEOs de tecnología hacen públicamente: ya estamos en niveles de concentración de riqueza sin precedentes en la historia, y la IA apenas ha empezado.

El ejemplo más famoso de riqueza extrema en la historia de Estados Unidos es la Era Dorada, y el industrial más rico de esa era fue John D. Rockefeller. En su peak, la fortuna de Rockefeller representaba aproximadamente el 2% del PIB de Estados Unidos.

Hoy, la fortuna de Elon Musk ya supera los 700.000 millones de dólares, más del 2% del PIB actual. Según Bloomberg y Forbes, Musk cruzó el umbral de Rockefeller a finales de 2024 y sigue subiendo.

Y eso es antes de que la IA genere la mayor parte de su impacto económico.

Amodei escribe: “Lo que debería preocuparnos no es la innovación. Lo que debería preocuparnos es un nivel de concentración de riqueza que romperá la sociedad.”

Lo que Anthropic está haciendo (y pidiendo)

Aquí es donde el ensayo se vuelve más que diagnóstico. Amodei detalla las defensas que Anthropic ha implementado y las que cree necesarias a nivel de sociedad.

Constitutional AI. En lugar de dar a Claude una lista de reglas específicas, Anthropic entrena al modelo con un documento de principios y valores de alto nivel. Es como criar a un hijo con una brújula moral en lugar de un manual de instrucciones.

Interpretabilidad mecanística. El equivalente a hacer una resonancia magnética al cerebro de la IA. Anthropic puede identificar millones de “características” dentro de Claude que corresponden a ideas y conceptos humanos, y puede alterar selectivamente el comportamiento modificando estas características.

Transparencia y divulgación. Los “system cards” de Anthropic a menudo superan las cien páginas. La empresa publica comportamientos problemáticos cuando los encuentra, incluso cuando sería comercialmente más conveniente no hacerlo.

Legislación de transparencia. Anthropic apoyó activamente SB 53 en California (firmada el 29 de septiembre de 2025) y RAISE Act en Nueva York (firmada el 22 de diciembre de 2025), las primeras leyes de seguridad de IA de frontera en Estados Unidos.

Y luego está el compromiso personal. Los siete cofundadores de Anthropic, incluyendo a Dario y Daniela Amodei, se han comprometido a donar el 80% de su riqueza. Según Forbes, cada cofundador tenía un patrimonio estimado de 3.700 millones de dólares en diciembre de 2025. Además, empleados de Anthropic han comprometido acciones por miles de millones de dólares adicionales, y la empresa ha prometido igualar esas donaciones.

En una industria donde Peter Thiel supuestamente animó a Elon Musk a abandonar el Giving Pledge, el gesto de Anthropic es notable.

Lo que queda después de leer

Me tomó varios días procesar este ensayo. No porque sea difícil de leer, sino porque es difícil de integrar.

Por un lado, Amodei es claramente optimista sobre el potencial de la IA. Su ensayo anterior, Machines of Loving Grace, describía un futuro donde la IA contribuye a avances enormes en biología, neurociencia, desarrollo económico y paz global.

Por otro lado, este nuevo ensayo es un catálogo detallado de todo lo que puede salir mal. Bioterrorismo habilitado por IA. Estados totalitarios imposibles de derrocar. Desempleo masivo. Concentración de poder sin precedentes.

¿Cómo reconcilias ambas visiones?

Creo que la respuesta está en la metáfora de la adolescencia. Un adolescente tiene el potencial de convertirse en un adulto extraordinario. También tiene el potencial de destruirse a sí mismo antes de llegar ahí. Ambas posibilidades son reales, y cuál se materializa depende de las decisiones que se tomen en los próximos años.

Para los líderes de empresas en Latinoamérica, creo que hay tres implicaciones concretas:

Primero, el timeline importa. Si Amodei tiene razón sobre el 50% de empleos entry-level en 1-5 años, las decisiones sobre estructura organizacional, contratación y desarrollo de talento que tomes hoy tendrán consecuencias muy diferentes de lo que imaginabas.

Segundo, la adopción no es opcional. En un mundo donde startups con equipos pequeños pueden competir con corporaciones establecidas gracias a la IA, los incumbentes que no adopten activamente perderán la ventaja que les daba su escala.

Tercero, el contexto regulatorio va a cambiar. SB 53 y RAISE Act son solo el comienzo. Las empresas que entiendan hacia dónde va la regulación estarán mejor posicionadas que las que reaccionen después.

Dario Amodei termina su ensayo con una nota de esperanza cautelosa. Cree que la humanidad tiene la fuerza interior para pasar esta prueba. Pero también cree que no tenemos tiempo que perder.

Después de leer 20.000 palabras de alguien que ve el futuro más claramente que la mayoría, tiendo a estar de acuerdo.

Pero hay un problema con esta historia: los números cuentan algo completamente distinto.

Apple no está perdiendo la carrera de IA. Simplemente está corriendo una carrera diferente. Y si entiendes su estrategia, verás que podrían estar jugando la partida más inteligente de todas.

Déjame mostrarte por qué.

La estrategia que nadie ve

Mientras escribo esto, Big Tech está en medio de la mayor ola de gasto en infraestructura tecnológica de la historia. Según reportó CNBC, durante 2025 Amazon invirtió USD 105 mil millones, Microsoft gastó USD 80 mil millones, Google destinó USD 75 mil millones y Meta invirtió USD 65 mil millones. En conjunto, estas cuatro compañías gastaron más de USD 325 mil millones en centros de datos, chips y capacidad de cómputo para IA.

OpenAI va aún más lejos. La empresa comprometió USD 1.15 trillones entre 2025 y 2035 en hardware e infraestructura en la nube. Mil quince billones de dólares. Para una compañía que perdió USD 5 mil millones en 2024 generando apenas USD 3.7 mil millones en ingresos.

¿Y Apple? Apple cerró un acuerdo con Google por aproximadamente USD 1 mil millones al año para licenciar Gemini, el modelo de IA de Google. Un modelo de 1.2 trillones de parámetros que correrá en la infraestructura de Apple para potenciar las nuevas capacidades de Siri.

Piénsalo. Mientras sus competidores gastaron USD 80 mil millones anuales construyendo infraestructura durante 2025, Apple paga USD 1 mil millones por acceso a tecnología de clase mundial. Y lo hace sentada sobre USD 156.650 millones en efectivo y valores negociables según su reporte del cuarto trimestre de 2024.

Este es el primer movimiento estratégico que vale la pena entender: Apple eligió la ruta de licenciar en lugar de construir. No porque no pueda construir (Apple tiene uno de los equipos de IA más talentosos del mundo), sino porque construir no es necesariamente la jugada correcta.

Cada compañía eligió su camino según sus fortalezas y necesidades. Microsoft compró participación en OpenAI por USD 14 mil millones porque necesitaba capacidades de IA rápidamente para competir con Google en búsqueda y productividad. Su apuesta es que Azure AI Services generará suficientes ingresos para justificar la inversión. Ya reportan USD 13 mil millones en ingresos anuales de su negocio de IA.

Google y Meta construyen todo internamente porque la IA es existencial para sus negocios. Si Google pierde en IA, pierde las búsquedas. Si Meta pierde en IA, pierde el engagement en sus plataformas. Para ellos, USD 75 mil millones y USD 65 mil millones anuales respectivamente no son gastos opcionales. Son inversiones de supervivencia.

Amazon está en un juego completamente diferente. AWS necesita vender esa infraestructura de IA a miles de clientes enterprise. Cada dólar que Amazon invierte en capacidad de cómputo puede venderse múltiples veces a diferentes clientes. Es un modelo de negocio donde la inversión masiva tiene sentido económico directo.

Apple tiene algo que ninguno de los demás posee en la misma escala: 2.35 mil millones de dispositivos activos donde la IA puede desplegarse instantáneamente vía actualización de software. No necesita convencer a empresas de que migren a su nube. No necesita que los usuarios descarguen nuevas apps. La infraestructura de distribución ya existe.

Esa es la diferencia. Apple no necesita convencerte de que descargues una app. Ya tienes el iPhone en tu bolsillo, los AirPods en tus oídos, el Mac en tu escritorio. Cuando Siri 2.0 se lance en primavera de 2026, llegará automáticamente a más de 2 mil millones de personas.

Los tres moats de Apple

La ventaja competitiva de Apple en IA no viene de tener el mejor modelo. Viene de tres activos que ningún competidor puede replicar fácilmente.

Primero: paciencia financiera.

Con USD 156 mil millones en efectivo, Apple puede permitirse esperar. Puede observar qué funciona, qué no funciona, quién está quemando dinero sin retorno. Puede ver a OpenAI perder miles de millones mientras busca un modelo de negocio sustentable. Puede ver a Meta gastar USD 121 mil millones en el metaverso sin monetización clara.

Y mientras observa, Apple genera ganancias récord vendiendo hardware. Su negocio core no depende de que la IA funcione mañana. Puede ser paciente.

Esta paciencia tiene valor estratégico real. En tecnología, ser el primero raramente garantiza ser el ganador. Lo que importa es el timing: llegar cuando la tecnología está madura, cuando los casos de uso están claros, cuando puedes ejecutar mejor que todos los demás.

Compara esto con OpenAI, que espera alcanzar un pico de flujo de caja negativo de más de USD 40 mil millones en 2028. No prevén ser rentables hasta 2030. Mientras tanto, dependen completamente de seguir levantando capital. Si el sentimiento de inversionistas cambia, si hay una “AI winter”, OpenAI está expuesta.

Apple puede esperar cinco años si es necesario. Diez años. Tienen el balance para hacerlo.

Segundo: distribución masiva.

Aquí está el activo que realmente importa. Apple reportó en enero de 2025 que tiene 2.35 mil millones de dispositivos activos a nivel mundial. Esto incluye más de 1 mil millón de iPhones, cientos de millones de iPads, Macs, Apple Watches y AirPods.

Cada uno de estos dispositivos es un punto de contacto donde la IA puede integrarse de forma nativa. No como una app más que compite por atención. Como parte fundamental del sistema operativo.

Piensa en lo que esto significa en la práctica. OpenAI tiene ChatGPT, que llegó a 800 millones de usuarios después de casi tres años de crecimiento explosivo. Impresionante. Pero esos usuarios tienen que abrir la app, recordar usarla, desarrollar el hábito.

Siri ya está en tu bolsillo, en tu muñeca, en tu sala de estar, en tu auto vía CarPlay. Cuando Apple lance Siri 2.0 potenciado por Gemini, no necesitará convencer a nadie de que lo pruebe. Simplemente aparecerá en la próxima actualización de iOS.

Esta ventaja de distribución es exactamente lo que permite a Apple ser un “fast follower” exitoso. No necesitan inventar la categoría. Necesitan esperar a que la categoría madure, luego lanzar la mejor versión integrada a su ecosistema.

Tercero: el patrón probado.

Apple nunca fue primero en las categorías que terminó dominando. Esta es la parte de la historia que todos olvidan cuando hablan de innovación.

El iPhone, lanzado en 2007, no fue el primer smartphone. BlackBerry dominaba el mercado corporativo. Palm y Windows Mobile existían años antes. Pero Apple redefinió qué debía ser un smartphone con la pantalla táctil multi-touch y el App Store.

El iPad, lanzado en 2010, no fue la primera tablet. Microsoft había intentado con Tablet PC años antes. Pero Apple creó el mercado masivo de tablets al encontrar el balance perfecto entre portabilidad de smartphone y poder de laptop.

El Apple Watch, lanzado en 2015, no fue el primer smartwatch. Pebble lanzó su smartwatch en 2013 vía Kickstarter, Samsung lanzó Galaxy Gear ese mismo año, y Android Wear apareció en 2014. Pero Apple definió para qué sirve realmente un smartwatch: fitness y salud primero, notificaciones segundo.

Los AirPods, lanzados en diciembre de 2016, no fueron los primeros audífonos inalámbricos. El mercado estaba lleno de opciones. Pero la integración perfecta con el ecosistema Apple, el chip W1 que eliminó los problemas de Bluetooth, el estuche como batería, Apple tomó un producto existente y lo hizo indispensable.

¿Ves el patrón? Apple espera. Observa. Aprende de los errores de otros. Luego lanza una versión que se integra perfectamente con los 2.35 mil millones de dispositivos que ya controla.

¿Por qué con la IA sería diferente?

El contexto que casi nadie menciona

En diciembre de 2025, Apple anunció que John Giannandrea, su AI chief desde 2018, se retiraría en primavera de 2026. Los medios lo presentaron como fracaso. “El ejecutivo responsable del desastre de Apple Intelligence se va.”

Pero si miras más de cerca, la historia es diferente. La reestructuración empezó mucho antes. En marzo de 2025, Tim Cook le quitó a Giannandrea el control de Siri, moviéndolo al equipo de Vision Pro. En abril, le quitaron el equipo de robótica, pasándolo al hardware chief. En diciembre formalizaron su salida.

Su reemplazo es Amar Subramanya, que viene de Microsoft pero pasó 16 años en Google, donde lideró ingeniería para Gemini Assistant. El mismo Gemini que Apple está licenciando.

¿Esto es fracaso? No. Es un pivot estratégico. Apple está moviendo IA de “laboratorios de investigación” a “equipos de producto que shippean.” Giannandrea construyó los fundamentos. Ahora necesitan a alguien que pueda integrar y lanzar.

La fecha clave es primavera de 2026. Ahí es cuando Apple planea lanzar Siri 2.0 junto con un nuevo HomePod, un nuevo Apple TV y un smart home hub. No demos. No “cool features” experimentales. Productos reales que millones de personas usarán diariamente.

Este timing no es accidental. Para primavera 2026, Apple habrá observado casi cuatro años de experimentos de IA en el mercado. Habrá visto qué funciona en el mundo real versus qué es solo hype. Habrá identificado exactamente qué casos de uso generan valor real para usuarios.

Y cuando lancen, lo harán a escala masiva instantánea gracias a esos 2.35 mil millones de dispositivos.

Lecciones para empresas tradicionales

Si diriges una empresa tradicional en Latinoamérica, esta historia de Apple debería resonarte profundamente. Porque Apple está demostrando algo que hemos discutido antes en La Última Interfaz: los incumbentes tienen ventajas estructurales que las startups no pueden replicar.

Apple tiene distribución. Tú tienes clientes. Apple tiene cash para esperar. Tú tienes flujos de caja del negocio core. Apple puede licenciar en lugar de construir. Tú también.

Aquí está el framework para decidir cuándo construir versus cuándo licenciar tecnología de IA:

Construye cuando: La IA es tu negocio core (como Google con las búsquedas). Tienes datos propietarios únicos que nadie más posee. La personalización extrema es tu ventaja competitiva. Tienes capital y talento disponible para un proyecto de 3-5 años.

Licencia cuando: La IA mejora tu negocio pero no lo define. Los modelos genéricos cubren el 80% de tus casos de uso. Quieres moverte rápido sin construir equipo especializado. Prefieres capex predecible versus inversión masiva upfront.

Apple eligió licenciar porque tiene algo más valioso que el mejor modelo: tiene el canal de distribución más grande del mundo de tecnología consumer. Puede ser “suficientemente bueno” en el modelo y excelente en la integración y experiencia.

¿Qué tienes tú que una startup de IA no tiene?

Si eres banco, tienes relación de confianza con millones de clientes y décadas de datos transaccionales. Una fintech puede tener mejor tecnología, pero no tiene el historial crediticio ni la red de sucursales físicas donde los clientes aún resuelven problemas complejos.

Si eres retail, tienes puntos de venta físicos donde la gente ya compra, proveedores con quienes has negociado por años, conocimiento profundo de preferencias locales. Un e-commerce puede personalizar mejor online, pero no puede replicar 200 tiendas en ciudades intermedias.

Si eres telco, tienes el canal de comunicación directo con usuarios, infraestructura de red, datos de comportamiento móvil. Una app de mensajería puede ser más moderna, pero no puede ofrecer conectividad física.

Estos activos valen más que tener el modelo más sofisticado. Por eso empresas como BBVA México pueden automatizar 9,000 consultas legales anuales usando modelos de OpenAI. No necesitaron construir su propio LLM. Necesitaban aplicar IA a un proceso específico donde ya tenían la relación con el cliente, el conocimiento del dominio legal bancario, y la confianza institucional.

El caso de BBVA es instructivo. Liberaron 3 empleados de tiempo completo automatizando el proceso de “bastanteo” (validación de poderes legales). Lograron el 26% del objetivo anual de ahorro de su división legal. No porque tuvieran el mejor modelo de IA del mundo, sino porque tenían el mejor entendimiento de ese proceso específico y la autoridad para implementar el cambio.

La ventaja del incumbente en la era de IA no es tecnológica. Es de distribución, confianza, datos específicos de dominio y conocimiento de cliente. Exactamente los activos que Apple está aprovechando.

La gran apuesta

Al final, todo esto se reduce a una apuesta sobre el futuro de los modelos de IA.

Apple está apostando a que los modelos se van a comoditizar. Que en 3-5 años, habrá múltiples opciones de modelos poderosos disponibles a costos razonables. Que la ventaja competitiva no vendrá de tener el modelo más grande, sino de tener la mejor integración, la mejor experiencia, el mejor canal de distribución.

Sus competidores están apostando lo contrario. Que los modelos seguirán mejorando exponencialmente. Que construir capacidad propia será ventaja competitiva duradera. Que vale la pena gastar USD 80 mil millones anuales para estar adelante.

¿Quién tiene razón? Hay señales en ambas direcciones.

El caso para la comoditización es fuerte. DeepSeek, una startup china, afirma haber construido un modelo comparable a GPT-4 por una fracción del costo. Los modelos open source como Llama y Mistral mejoran rápidamente. La curva de mejora de los modelos se está aplanando: GPT-4 a GPT-4o a Claude Opus fueron mejoras incrementales, no saltos exponenciales como de GPT-2 a GPT-3.

Históricamente, toda tecnología se comoditiza eventualmente. Almacenamiento, capacidad de cómputo, ancho de banda, todas siguieron la misma curva. Una vez que “suficientemente bueno” se puede hacer barato, el premium desaparece.

Pero también es posible que estemos apenas en el inicio. Que los próximos años traigan avances que hoy no podemos imaginar. Que quien controle los mejores modelos controlará la infraestructura crítica de la economía digital.

Solo uno tiene USD 156 mil millones para estar equivocado. Y ese es Apple.

La historia nos dirá quién tenía razón. Mientras tanto, Apple seguirá haciendo lo que siempre ha hecho: observar, esperar, y cuando el momento sea correcto, lanzar la versión integrada que todos usarán.

Tal vez no sea la estrategia más emocionante. Pero históricamente, ha sido la más efectiva.